#因果推理

这篇论文提出让VLM智能体不仅能预测未来，还能回溯过去判断因果一致性，解决了物理行为不连贯的问题。

一篇反向思路的研究：不是用因果模型生成解释，而是把人类解释当学习信号来发现因果结构，还证明了何时该拒绝错误解释。

如果你在搞世界模型或因果推理，这篇把概念理清了，还连上了因果发现的现有工作，值得一看。

它把解释当HP实际原因，用SCM建模输入依赖，搜索算法保证完备且最小，还发现忽视依赖会多出14.9%虚假原因。

这篇论文把因果感知从理论变成了能跑的算法，在德国信用数据集上验证了不同模型对公平性判断的影响，值得搞公平性研究的人看看。

这篇论文用辛普森悖论测试干预数据，发现模型因果方向取决于上下文证据类型而非训练比例，还给了降错方案。

这篇论文讲了算法追责如果不考虑因果，用户容易钻空子，用因果框架能让系统更稳定，值得搞机器学习的人看看。

CausalForge用Lean做因果推理自动研究，能验证证明并审计陈述，比纯LLM评审靠谱。

这篇论文用多球碰撞实验揭示了视频扩散模型做因果推理时的短板，增加去噪步数没用，但自回归和加深网络有效。对做视频生成和物理模拟的人很有启发。

这篇论文用因果干预把LLM的内部报告拆解成抵抗压力和更新证据两个维度，在测试中做到满分，比一般对齐方法更扎实。

这篇论文用因果规则和MSCR证明解决了统计模糊性问题，理论扎实，适合想深入因果AI原理的人看。

这篇论文搞了个新基准 OpenRCA 2.0，用 PAVE 协议给每一步因果关系打标签，发现 LLM 猜对根因容易，但连对因果路径很难——这比只看结果靠谱多了。

想给概率逻辑程序加上精准的反事实推理？DeepSWIP用商WMC方法避免了DeepTwin的内生重复，实测快两倍多，做因果推断的朋友可以看看。

这篇论文把换道预测从统计相关提升到因果推理，用DECI模型实现了95%以上的F1分数，还给出了清晰的因果链解释，做自动驾驶可解释性的一定要看。