Zespół badawczy przedstawił relacyjne strukturalne modele przyczynowe (relational structural causal models), które łączą przyczynowe rozumowanie ze zdolnością do generalizacji na nowe kombinacje obiektów. Problem, który rozwiązują, jest fundamentalny: modele AI potrzebują zarówno reprezentacji przyczynowych, by wnioskować o wynikach interwencji, jak i kombinatorycznych, by radzić sobie z niespotykanymi wcześniej konfiguracjami elementów.
Pracownicy pokazali, że na podstawie samych obserwacji z przeszłości nie da się zidentyfikować odpowiedzi na pytania przyczynowe o nowe kombinacje obiektów – bez dodatkowych założeń ten problem jest fundamentalnie nierozwiązywalny. Dlatego zaproponowali relacyjne grafy przyczynowe i opracowali symboliczne kryteria identyfikacji, które działają nawet w obecności nieobserwowalnych czynników zakłócających (unobserved confounding).
W praktyce zespół zaproponował relacyjne neuronowe modele przyczynowe – podejście mające formalne gwarancje poprawności. Testy na symulowanych scenach drogowych ze zmienną liczbą samochodów, sygnalizacji i pieszych wykazały, że nowa metoda znacznie przewyższa tradycyjne podejścia nierelacyjne. To ma zastosowanie dla autonomicznych pojazdów, robotyki i innych systemów, które muszą radzić sobie w dynamicznych środowiskach.