因果性是人工智能中重要的研究课题，在多数真实场景中都离不开因果关系。本文来自Julian Schuessler讲述了因果图（Causal Graphs），期待感兴趣的研究者及时下载学习。

在这篇演讲中，我将介绍因果人工智能(因果结构学习、因果推理、反事实推理、因果表征学习和因果迁移学习)在解决计算机系统中几个重要而突出的挑战方面的最新进展。接下来，我将介绍我们的因果AI方法，用于在高度可配置的组合系统中进行鲁棒的性能工程(性能调试、性能优化和性能预测)。特别地，我将介绍在设备上ML系统和大数据分析管道中识别和修复性能故障的最新结果。最后，我将讨论因果AI在测试自主机器人和动态重构无服务器系统和微服务方面的未来方向和机会。 视频地址： https://www.youtube.com/watch?v=csB_cF6MA9A

医学文献中的因果关系提取 使用条件随机场进行因果关系提取和识别。 这是我们的教师的项目。 到项目演示。 介绍 因果关系是两个事件之间的关系：因果。 原因是结果的产生者，而结果是原因的结果。 例如“饥饿是年轻婴儿哭泣的最常见原因。” 原因是“饥饿”，结果是“哭泣”。 当前的工作集中在从医学领域文本中检测和提取因果关系。 从检测因果关系的角度来看，以下区别可能有用： •标记或未标记：如果有特定的语言单位表示这种关系，则标记因果关系； 否则未标记。 标有“我买了它，因为我读了很好的评论”； “当心。 不稳定”不是。 •歧义：如果商标始终表示因果关系，则它是明确的（例如，“因为”）。 如果它有

因果推理的概念和方法的整体介绍。 涵盖了没有模型的因果推断，具有模型的因果推断以及来自复杂纵向数据的因果推断。

12 原因分析和解决 (Causal Analysis and Resolution, CAR).pdf

1969-诺奖得主Granger-Investigating Causal Relations by Econometric Models and Cross-spectral Methods

数十年来，因果推理是一个跨统计、计算机科学、教育、公共政策和经济学等多个领域的重要研究课题。在这项调查中，我们提供了一个全面的综述因果推理方法下的潜在结果框架，一个众所周知的因果推理框架。

反事实VQA（CF-VQA） 该存储库是CVPR 2021中我们的论文的Pytorch实现。该代码将很快发布。 引文 如果您发现该项目对您的研究有所帮助，请考虑在您的出版物中引用我们的论文。 @inproceedings{niu2020counterfactual, title={Counterfactual VQA: A Cause-Effect Look at Language Bias}, author={Niu, Yulei and Tang, Kaihua and Zhang, Hanwang and Lu, Zhiwu and Hua, Xian-Sheng and Wen, Ji-Rong}, booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Rec

Counterfactuals and Causal Inference (第二版) Methods and Principles for Social Research。作者：Stephen I. Morgan, Christopher Winship。作为近年来最热话题之一的因果推断分析，这本书将以前以图结构为本的因果分析框架与更加传统的“Potential Outcomes”框架分别以理论和实例进行深度剖析，同时对这二者进行关联与结合，并对其背后的哲学思维与框架限制进行讨论。此书在美国多个顶级院校采用作为教科书，因果分析中的必备材料。