本研究提出了一种基于大型语言模型（LLM）的数据生成框架，能够控制因果结构。通过将语言模型与有向无环图结合，形成顺序驱动的结构性因果模型，展示了如何从观察、干预和反事实分布中进行取样。这一方法为因果推断提供了新基准，并有效检测语言模型中的因果效应。

本研究提出了图无关因果贝叶斯优化（GACBO）算法，旨在优化未知因果图上的目标变量。该算法能够主动发现对最佳奖励有贡献的因果结构，并在模拟和实际应用中表现优于基线方法。

本研究提出了一种新方法——单父解码，旨在解决因果表示学习中的挑战，特别是在科学研究中利用低层次测量捕捉高层次变量的因果结构。该方法在气候科学领域的实际数据中验证了其有效性，展示了发现潜在因果关系的潜力。

本文介绍了多个视频因果推理相关的数据集和框架，如CLEVRER、Vis-Causal和CMQR，指出现有模型在因果推理任务中的不足。研究提出结合语言输入与因果关系理解的方法，展示如何通过高质量数据集和模型改进视觉问答性能，并探讨在不确定数据中学习因果结构的挑战。

该研究提出了CausalWorld基准，关注因果结构和迁移学习在机器人操作中的应用。通过强化学习环境测试因果关系，提出PACT范式和BISCUIT方法以识别因果变量。研究还探讨了多智能体间的相互作用及其因果关系，强调因果推断在机器人学习中的重要性，并提出CrossFormer模型以解决数据集多样性不足的问题。

本文提出了一种处理非平稳数据的框架，开发了多种方法以检测因果结构和变量间关系。研究基于状态空间模型和马尔可夫假设，验证了新型因果模型和算法在非平稳时间序列中的有效性，实验结果显示这些方法在因果识别和预测方面优于现有技术。

本文提出了一种基于因果结构的新算法，旨在学习不变表示，特别在领域泛化方面表现优异。研究探讨了因果模型的可辨识性及其在无监督学习中的应用，开发了针对可交换数据的因果效应估计框架，并提出了新的经验估计方法，以识别潜在因果变量之间的关系。

本文研究了多元时间序列数据的因果结构，提出了一种基于多元线性Hawkes过程的算法，并评估了其在股票市场和MemeTracker数据集上的应用。研究还探讨了图神经网络在动态系统建模中的有效性，提出了新的方法以学习时间序列中的潜在关系，从而显著提高预测精度。

本文提出了一种名为IDOL的框架，用于识别瞬时潜在动态，结合稀疏影响约束和时间序列数据的上下文信息，优化因果图结构。实验结果表明，该方法在多个人体运动预测中有效，能够从观测数据中学习因果结构，并在气候科学和神经科学等领域识别因果关系。

本文调查了大型语言模型（LLM）在因果发现任务中的应用，比较了现有方法，强调了LLM在推断因果结构中的创新使用。研究表明，LLM在增强传统因果发现方法方面具有潜力，但也面临挑战。提出了未来研究方向，以充分发挥LLM在因果研究中的作用。

本研究提出了一种基于干预实验数据的本地方法，用于学习线性高斯多叉树的因果结构，能快速且准确地处理大规模问题。

本文介绍了一种贝叶斯方法，用于学习因果贝叶斯网络。该方法已应用于基于ALARM网络的混合实验数据，预测因果结构和估计因果参数。

本文研究了在有限预算内优化昂贵的灰箱目标函数的问题，考虑了已知的设计变量间的因果结构的副信息。通过公式化观测干预权衡为最优停止问题，得到了有效解决方案。实验证明该方法能够增强现有算法。