通过逻辑推理的方法，基于简单的关系逻辑陈述从部分观测到的关系推出因果关系的方法，可以在存在潜在变量和选择偏差的情况下找到对应局部祖先图的所有不变特征，发现每一个可识别的因果关系都对应了两种基本形式，因为该方法的基本构建块不依赖于图形结构，因此可以开发更稳健的推理，详细的询问方法和大规模应用方案。

Feb, 2012

本文新增一套足以构建所有最大祖先图的马尔科夫等价类的公共尾巴箭头的定向规则，并提供了一组定向规则，用于识别马尔科夫等价类的公共性，特别是对于因果推断的实用性。

Jun, 2012

本文研究了贝叶斯网络建模中的参数独立性、模块化特性、似然等价性等假设。同时介绍了机制独立性和组件独立性这两个新的假设，通过以上全部假设可以将学习无因果网络的方法应用到因果网络中。

Feb, 2013

本文提出了贝叶斯因果推断的方法，其中用到了MCMC方法来进行图结构的采样，并得到了线性高斯DAG模型的因果效应估计。

Sep, 2020

本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

Jun, 2021

本文使用范畴论方法对因果模型进行了分类处理，从“纯因果”的角度定义了因果独立/分离、因果条件等重要概念，并产生了一个核心部分的语法版本的syntactic do-calculus在所有因果模型中继承。

Apr, 2022

借助生成流网络，利用原始信念分布比例对因果祖先图进行采样，然后通过层次变量间关系的有力实验设计，迭代地与专家互动，有效减少对因果祖先图的不确定性。通过重要性采样结合人的反馈，更新我们的样本，提高推理质量，并不需要因果充足（即可能存在未观察到的混淆变量）。实验结果表明，我们的方法能够准确地对因果祖先图的分布进行采样，并且在人类帮助下能够大大提高推理质量。

Sep, 2023

学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

Dec, 2023

我们研究了包含特定边标记的极大祖先图（MAGs）的马尔可夫等价类的限制问题，我们称之为专家知识。我们通过学习包含所提出的专家知识的基本祖先图的限制来解决问题。我们的贡献有几个方面，首先，我们证明了整个马尔可夫等价类的某些性质，包括Ali等人（2009年）的一个猜想。其次，我们提出了三个可靠的图定向规则，其中两个是对先前已知规则的推广，用于向基本图中添加专家知识。我们还表明，Zhang（2008年）的一些定向规则在限制带有专家知识的马尔可夫等价类时是不需要的。我们提供了一个算法来包含这种专家知识，并且证明了在某些设置中，我们的算法是完备的，也就是说，在这些设置中，我们算法的输出是一个限制的基本祖先图。我们猜想这个算法在一般情况下也是完备的。在我们指定的设置之外，我们提供了一个用于检查图是否为限制的基本图的算法，并讨论了它的运行时间。这项工作可以看作是Meek（1995年）的一个推广。

Jul, 2024

本文研究了如何在局部结构学习中有效利用先验知识，以识别因果关系。在众多因果建模应用中，常常存在部分已知的因果图，研究提出了一种结合直接因果信息、非祖先信息和祖先信息的方法，以提升因果识别的准确性和效率。本研究的关键发现是，通过这种新方法可以提高局部结构学习和公平机器学习的效果。

Aug, 2024