在2025基础科学与人工智能论坛上，顶级AI专家讨论了AGI是否需要世界模型、因果性与相关性、AI的原创能力及算力瓶颈等问题。专家们认为，当前AI主要依赖相关性建模，缺乏因果理解，未来需探索新范式和高效计算方法，以推动科学研究进展。

本研究探讨了激励意识机器学习面临的挑战，提出了一个统一框架，涵盖稳健性、公平性和因果性，强调游戏化与实际改善的区别，为激励意识机器学习系统提供理论和实践的进展。

本研究探讨了生物统计学中对可解释性模型的需求，运用机制可解释性技术揭示神经网络的计算过程，展示其在因果推断中的潜力，增强对生物统计分析的理解。

本研究解决了人工智能算法解释质量的测量问题，特别是在意大利文化背景下。研究通过有效的前后翻译方法验证了系统因果性量表（I-SCS）的意大利版本，并证明其能够为xAI系统提供清晰的解释质量评估。最终结果显示，该工具可以为未来的研究和xAI开发提供重要支持。

本研究旨在解决深度学习（DL）在图像分类中的解释性和鲁棒性问题。通过引入可解释性、因果关系和生物视觉三个视角，提出了新的模块和框架，如CROCODILE和CoCoReco，以实现更有效和可解释的医学图像预测。研究发现，这些方法可以提高医疗领域的信任度和诊断准确性，为临床应用提供了新的方向。

本研究解决了因果贝叶斯网络在预测干预分布时与现实世界结果的连接问题。提出了一种正式框架，精确定义了不同动作作为干预的解释要求，并揭示了常见的因果模型解释的循环性和不可能性结果，启示如何通过非循环解释来验证因果模型的有效性。这为因果表示学习、因果发现和因果抽象的概念基础做出了贡献，同时也突显了现有方法的一些局限性。

本文提出了一种基于独立因果机制的因果解缠结新概念，利用ICM-VAE框架学习因果表示，并引入因果解缠结先验。理论结果表明因果因子和机制的可识别性，验证显示该框架提高了干预的稳健性。

该论文提出了一种通用框架，用于合成复杂的数据结构，包括复合和嵌套类型。通过因果变换器构建了实际解决方案，对结构和列表进行了处理。实验结果表明，该方法在机器学习和统计方面优于当前最先进的模型，并在多重嵌套和稀疏数据集上表现出强大的结果。

本文提出了一种迭代学习和识别框架，用于事件因果关系识别任务，通过更新事件的因果结构表示来提高因果识别的性能。实验证明，我们的方法在因果存在识别和方向识别的评估中优于现有的算法。

该研究通过采用对比学习方法，利用正负样本来增强事件因果性识别的有效性，并应用于事件配对以更好地促进事件因果性识别，并在包括 EventStoryLine 和 Causal-TimeBank 在内的广泛使用的语料库上进行了评估，结果显示在最先进算法上有显著的性能提升。

Caformer是一种新的时间序列分析框架，从因果性角度捕捉依赖关系并解决伪相关问题。在多个时间序列分析任务中表现出最先进的性能和解释性。

本文提出了一个新的稀疏Granger因果学习框架，用于处理时间事件数据，聚焦于Hawkes process。该框架解决了现有方法中的问题，并在电力网和云数据中心管理领域进行了验证。

本文综述了因果出现的定量理论和应用的最新进展，讨论了如何量化因果出现和在数据中识别它。因果出现的识别需要使用机器学习技术，建立因果出现和人工智能之间的联系。最后讨论了潜在应用和未来展望。

该文介绍了一种新的方法，通过综合应用个体公平性、对抗鲁棒性和因果性，实现了分类器的公平、对抗鲁棒和因果感知。通过引入新的因果对抗扰动和对抗训练，创建了一个将三者相结合的新的正则化项，并在真实世界和合成数据集上进行了评估，证明了其有效性。

本文探讨了上下文和符号推理的重要性，上下文是指语境、情况、环境等，符号推理是指通过符号进行建模、算法等思考能力。符号推理受限于上下文，但符号之间的因果性和相关性可能会突破上下文限制，创新发展的唯一途径。

本文使用多元Hawkes过程建模滞后的Granger因果效应，并通过模拟后验分布推断时间滞后。研究了复杂环境下的模型估计方法，取得了良好的事件预测和时间滞后推断结果。

2022.09.16 第十二期 # 诸位菩萨，展信佳。 本期的通讯想和您聊一下因果性和相关性。 说到「因果」一词各位肯定不会陌生，无论是我们在生活中经常会说的「善恶到头终有报」还是「报应不爽」，是「一面之缘」还是「在劫难逃」，都是我们最朴素的因果观念。 因果，英语为 causality 或...