因果推理是解释性分析的强大建模工具，它可使当前的机器学习变得可解释。如何将因果推理与机器学习相结合，开发可解释人工智能（XAI）算法，是迈向人工智能2.0的关键步骤之一。为了将因果推理的知识带给机器学习和人工智能领域的学者，我们邀请从事因果推理的研究人员，从因果推理的不同方面撰写了本综述。

格兰杰因果关系与新因果关系揭示了沪深300现货与其指数期货之间的因果关系

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

基于动态时间规整的因果关系分析，用于非平稳故障过程的根本原因诊断

ICLR 采用公开评审，可以提前看到这些论文。本文发现基于因果推理（Causal Inference）相关的投稿paper很多，因果推理，以及反事实等相关理论方法在CV、NLP都开始有相关的应用了，这个前沿的方法受到了很多人的关注。

在别处看的一个用MATLAB写的一个GRANGER 因果检验程序，跟大家分享一下 在别处看的一个用MATLAB写的一个GRANGER 因果检验程序，跟大家分享一下

Eviews做单位根检验和格兰杰因果分析的具体步骤，很实用！

多元时间序列的因果关系分析是数据挖掘领域的研究热点. 时间序列数据包含着与时间动态有关的、未知的、有价值的信息, 因此若能挖掘出这些知识进而对时间序列未来趋势进行预测或干预, 具有重要的现实意义.

基于因果关系知识库的因果事件大规模语料图谱项目，形成因果事件图谱。

为什么：关于因果关系的新科学