1. Background
1.1 因果推理
自变量treatment，因变量outcome，自变量上的改变量intervention，计算自变量被扰动是否会引起因变量变化以及如何变化，就是因果推理
Confounder：变量，同时影响自变量和因变量
treated group是自变量为1的，反之是untreated group
1.2 因果图
factor（本文中所有factor都是二元变量）和charge是节点，因果关系是边
传统的结合文本的因果推理方法比较简单，就直接将文本视作一个节点，而没有考虑不同的aspect如事件等。
1.3 PAG
2. 模型
从事实描述文本中自动构建因果图，用因果推理来辅助法律决策的制定，本文中similar charge disambiguation任务上测试了该框架的效果。
①用关键词抽取（用YAKE+IDF计算单词对罪名的重要性），来识别出事实描述中的key factors。②将相似的key factors聚类到组中，每个组视为一个独立节点。（图的节点的每个组和罪名）③用对未识别变量鲁棒（无监督抽取可能导致关键词不完全，因果发现时有未识别confounder）的causal discovery algorithm（Greedy Fast Causal Inference (GFCI)）来构造因果图。（输出是Partial Ancestral Graph (PAG)）（在附录中可以看到，这种算法能够识别出隐factor）（限制：1. 禁止罪名节点出边。2. 以案例（事件描述文本）的时间顺序来限制因果关系）（抽样因果图）④估算每条边的causal strength来减少不可靠边的影响。（保持Confounder不变）（方法：Average Treatment Effect (ATE)）（估算ATE的方法：Propensity Score Matching (PSM) 在treated/untreated group之间构建相似样本对）
将因果知识结合到NN中：①在NN attention weights上加入causal strength限制（加损失函数）。②在因果图上抽取出的因果链上使用RNN。
3. 实验
3.1 数据集
本文使用的是CAIL数据集。
3.2 实验结果
证明的结果：(1) 构建的因果图是合理的。(2) 可以捕捉到文本中的细微差别，尤其在训练数据很少时。
证明因果的优势的baseline：GCI-co（correlation-based graph，factor之前如皮尔森相关系数＞0.5则从出现更早的频率更高的factor连一条边到另一个）
解释了一下为什么没用多任务等范式、没用预训练模型，以前的结合因果推理的工作无法捕捉文本内部的因果关系所以也不作为baseline。
比较了不同训练集比例下模型的表现效果。
每个实验在3个随机种子上跑，以平均ACC和macro-F1作为指标。
3.3 因果图质量分析
因果发现过程的鲁棒性，因果图的敏感度分析
- Random Confounder
- Placebo Treatment
- Subset of Data
3.4 人工评估：看attention
3.5 讨论
聚类导致的粒度变粗、否定语义、pronoun resolution、intent
3.6 由于数据不平衡而产生的性别公平问题
False Positive Equality Difference (FPED) and False Negative Equality Difference (FNED)
