因果性是人工智能中重要的研究课题，尤其是在医疗等一些高风险领域。来自帝国理工学院的Ben Glocker讲述了医疗影像中「因果性」至关重要，涵盖52页ppt。作者指出，对于基于机器学习的图像分析的成功至关重要的是，研究人员要能意识到并解释他们的数据背后的因果关系。

非因果系统的因果近似实现－例

因果推断表示：因果推断简介

在这篇文章中，我讨论了因果关系的潜在结果和图形方法，以及它们与经济学实证工作的相关性。 我回顾了一些关于有向无环图的工作，包括最近的“The Book of Why”（[Pearl 和 Mackenzie，2018 年]）。 我还讨论了由鲁宾和合著者开发的潜在结果框架，建立在 Neyman 的工作基础上。 然后，我讨论了这些方法在经济学实证工作中的相对优点，重点是每个问题都能很好地回答，以及为什么经济学中的大部分工作在精神上更接近潜在的结果框架。

现有的因果关系发现算法主要基于单个观察变量本身之间的因果关系，无法适用于多组观察变量，为此提出了一种多组典型相关变量的因果关系发现算法。首先，引入多组典型相关变量建立多组典型相关变量的线性非高斯无环模型并提出对应的目标函数；然后，采用梯度上升的方法求解目标函数，构建多组典型相关变量的因果关系网络。模拟实验验证了该算法的有效性，并在移动基站数据上发现了一批有价值的多组无线网络性能指标间的因果关系。

结构因果模型 一个实现结构因果模型（SCM）的Python包。 该软件包使从结构因果模型到图形的转换成为可能。 也可以直接从系数矩阵（即图的加权邻接矩阵）生成线性结构因果模型。 “图形”对象是通过提供一个邻接矩阵（和一个名称，可选）来定义的。 它们包含并维护图形的不同表示形式，视情况而定，这些表示形式可能会很有用，并且提供了从任何一种表示形式转换为任何其他表示形式的工具。 当前实现的表示为： 通过邻接矩阵， 通过邻接表， 通过边缘（“类型化”边缘：无边缘，向前，向后或无向边缘）。

https://www.bradyneal.com/causal-inference-course 这个课程的笔记

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。

因果启发的推荐系统

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