研究在具有潜在变量的线性非高斯无环模型 (LiNGAM) 中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况，对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化，并提出了有效的算法来验证图形条件。最后，提出了重建独立成分分析 (RICA) 算法的改进版本，该算法可从观测数据中估计因果效应，并通过实验证明了所提方法估计因果效应的有效性。

Jun, 2024

本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

Mar, 2024

利用 Functional Linear Non-Gaussian Acyclic Model（Func-LiNGAM）扩展线性非高斯无环模型（LiNGAM）的概念，以应对涉及功能性磁共振成像和脑电图数据的大脑有效连接任务中的因果关系识别问题。在理论和实证角度上，我们对非高斯随机向量和无限维希尔伯特空间中甚至随机函数之间的因果关系可辨识性建立了理论保证。通过优化向量的坐标使用功能主成分分析，我们解决了内在无限维度功能性数据中离散时间点的稀疏性问题。在合成数据方面的实验结果验证了该框架利用观测样本能够识别多变量函数之间的因果关系。而在真实数据方面，我们专注于分析来自 fMRI 数据的脑连接模式。

Jan, 2024

从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

Jul, 2020

本研究主要在于探究具有潜在共变量和环路的结构因果模型，并证明其遵守特定可解性条件下的便利性质，这一工作将结构因果模型在具有周期的情况下进行了推广，从而提供了一般性的统计因果建模的基础。

Nov, 2016

本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

Jan, 2011

本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。

Feb, 2013

采用模块化结构因果模型 (mSCM)，引入了 sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

Jul, 2018

提出了一种新的算法，从线性结构方程模型（SEM）生成的数据中学习有向无环图（DAG）。该算法证明在新设置中的可识别性，并显示与之前的 DAG 学习方法相比，少量有噪声的 root causes 能提供优异性能。

May, 2023

通过将现有的因果发现方法进行高效并行化，可以使它们适用于数千个维度的数据集，从而解决了基于组合优化或搜索的现有方法在大规模数据集上运行速度慢的问题。具体地，我们并行化了 LiNGAM 方法，并加速其中的因果排序子过程，实现了与现有顺序实现相比高达 32 倍的加速，从而使其在大规模基因表达数据和美国股票数据的因果推断和因果发现中表现出与专门的连续优化方法相媲美的结果。

Mar, 2024