因果推理
建模干预效应和反事实的推理方法，区别于仅刻画变量共现规律的统计相关性，在机器人控制等物理任务中至关重要，核心形式化框架为结构因果模型（SCM）
时间轴 (近 90 天)
图灵奖得主Judea Pearl将认知能力划分为三个层次：关联（seeing）、干预（doing）和反事实推理（imagining）
因果推理领域的活跃阵地已收缩到UAI、AISTATS和CLeaR等专门性会议，在NeurIPS、ICML、ICLR等综合会议上存在感被LLM、智能体等议题挤压
工作坊缺席并不等同于领域衰亡，因果推理仍广泛渗透于经济学、流行病学、统计学等领域
NeurIPS 2026 公布的 73 个工作坊中没有一个专门聚焦于因果推理主题
因果推理与大模型的结合方向包括利用因果图消除虚假相关以提升分布外泛化、通过因果干预理解大模型推理机制（因果可解释性）、将因果知识注入模型训练
因果推理领域的活跃阵地已收缩到UAI、AISTATS和CLeaR等专门性会议
CLeaR是2022年由因果推理社区新创立的专门会议，旨在为因果发现、因果表示学习等前沿方向提供专属平台
全部知识事实 (7)
图灵奖得主Judea Pearl将认知能力划分为三个层次：关联（seeing）、干预（doing）和反事实推理（imagining）
60%待验证因果推理领域的活跃阵地已收缩到UAI、AISTATS和CLeaR等专门性会议，在NeurIPS、ICML、ICLR等综合会议上存在感被LLM、智能体等议题挤压
50%待验证工作坊缺席并不等同于领域衰亡，因果推理仍广泛渗透于经济学、流行病学、统计学等领域
50%待验证NeurIPS 2026 公布的 73 个工作坊中没有一个专门聚焦于因果推理主题
50%待验证因果推理与大模型的结合方向包括利用因果图消除虚假相关以提升分布外泛化、通过因果干预理解大模型推理机制（因果可解释性）、将因果知识注入模型训练
50%待验证因果推理领域的活跃阵地已收缩到UAI、AISTATS和CLeaR等专门性会议
50%待验证CLeaR是2022年由因果推理社区新创立的专门会议，旨在为因果发现、因果表示学习等前沿方向提供专属平台
50%