近期我们针对因果推断+扩散模型领域的前沿成果进行了深度整合，从中筛选出15篇很有参考价值的论文，收录了TOIS、AAAI、ICLR、CVPR、WWW等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「因果扩散 」
免费获取全部论文合集及项目代码
ABDUCTIVEMLLM:Boosting Visual Abductive Reasoning Within MLLMs
内容：本文提出AbductiveMLLM，模仿人类语言‑图像协同溯因认知模式，由REASONER与IMAGINER两个协同模块组成，REASONER借助大模型生成候选假设，通过因果感知的跨模态对比学习筛选因果匹配的高质量假设作为多模态大模型的先验，IMAGINER基于Stable Diffusion引入V‑Adapter、T‑Adapter、F‑Adapter轻量适配器，结合输入视频与REASONER输出表征开展类人脑图像式想象，为推理提供视觉上下文支撑，整体采用两阶段训练策略，先分别对两个模块开展独立训练，再结合交叉熵损失与扩散损失进行端到端联合调优，以此增强多模态大模型的视觉溯因推理能力。
Latent Causal Diffusions for Single-Cell Perturbation Modeling
内容：本文提出LCD潜因果扩散生成模型，将单细胞基因表达视作受测量噪声干扰下的平稳随机扩散过程，采用两阶段推断流程，先基于零膨胀泊松测量模型结合经验贝叶斯从单细胞计数数据推断无噪声隐状态分布，再利用分数匹配训练神经网络参数化的漂移函数，通过可学习扰动嵌入表征各类基因干预，实现对未见过的组合扰动转录组分布偏移的预测，进一步设计CLIPR因果线性化方法，借助扰动的初始响应与稳态极限响应解析求解最小范数线性因果效应矩阵，在满足线性漂移假设下可理论识别基因间直接因果作用，能够区分生物学信号与技术测量噪声，无需时序观测数据即可从单细胞快照学习基因调控动力学，最终在仿真与Perturb‑seq真实扰动筛选数据上完成模型验证与因果网络解析。
扫描下方二维码，回复「因果扩散 」
免费获取全部论文合集及项目代码
CAUSAL TIME SERIES GENERATION VIA DIFFUSION MODELS
内容：本文提出CaTSG统一扩散式因果时间序列生成框架，基于结构因果模型，依托后门调整与溯因‑行动‑预测流程推导得到因果分数函数，引入可学习的隐环境库与EnvInfer环境推理模块建模未观测混杂因子，采用SwAV式交换预测损失与正交损失联合训练环境推理模块、环境库与U‑Net去噪网络，在无真实干预标签的条件下实现后门调整引导采样，一套模型同时支持观测、干预、反事实三类时间序列生成任务，借助合成SCM数据集与真实时序数据集开展实验完成模型验证与组件消融分析。
Causal Negative Sampling via Diffusion Model for Out-of-Distribution Recommendation
内容：本文提出CNSDiff因果负采样方法，摒弃传统预定义候选池采样模式，以物品嵌入作为条件输入，借助条件扩散模型在隐空间生成难度可控的负样本，构建结构因果模型分析虚假难负样本的生成机理，基于后门准则设计因果正则项以抑制环境混杂因子带来的伪相关，采用步长采样策略获取多难度负样本，将扩散生成负样本与随机负样本做渐进混合插值，搭配对比学习损失，联合BPR损失、负采样损失开展整体优化，在多种分布偏移场景的真实数据集上完成实验、消融与超参分析来验证模型效果。
扫描下方二维码，回复「因果扩散 」
免费获取全部论文合集及项目代码
