Im Projekt nutzen die Forschenden Werkzeuge aus dem Repräsentationslernen, der Theorie der statistischen Effizienz und spezifische ML-Verfahren. Zur Steigerung der Flexibilität der Methoden entwickelt das Projekt ein allgemeines kausales Grundlagenmodell, einschließlich hochdimensionaler, zeitlicher und multimodaler Daten. Zur Stärkung der Effizienz werden Techniken für effiziente Lernalgorithmen, die speziell auf kausales maschinelles Lernen zugeschnitten sind, wie beispielsweise synthetisches Vor-Training, Transferlernen und Few-Shot Learning untersucht. Außerdem sollen Verfahren zur Überprüfung und Verbesserung der Robustheit hervorgebracht werden, wie beispielsweise neue Benchmark-Umgebungen und -Datensätze. Die Effektivität und Robustheit der neuen Methoden werden mit theoretischen Herleitungen gezeigt.