该论文提出了一种名为‘关系性因果发现(RCD)’的算法，通过关系性模型和在条件独立方面的提升推理，学习因果关系，证明了该算法的可靠性和有效性。

Sep, 2013

本文介绍了引人注目的因果发现算法，分为两大类：（1）假设无环和无潜变量，（2）允许循环和潜变量，并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。

Aug, 2017

本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

Oct, 2019

本文分析了没有条件独立(conditional independence)武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。

Feb, 2021

本文提出了Bayesian Causal Discovery Nets(BCD Nets)，它是一个用于估计线性-Gaussian SEM中描述一个DAG的概率分布的变分推理框架。本框架采用了连续松弛，适当的先验分布以及表达力强的变分族等重要设计，旨在解决实际情况下对潜在图进行的不确定性估计问题。最终实验表明，与基于最大似然的方法相比，BCD Nets在低数据环境下的结构Hamming距离等标准因果分析评估指标上表现更好。

Dec, 2021

本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。

Oct, 2022

寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的k-三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

Aug, 2023

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

本研究对观测因果发现方法的实证表现进行了广泛的基准测试，发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能，并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因果发现方法的评估树立新标准，并成为对该领域感兴趣的实践者的可访问入口，突出了不同算法选择的实证影响。

Oct, 2023

本研究解决了在假设违背情况下，如何评估结构学习方法的有效性这一问题。我们提出了一种可解释的六维评估指标“最优解距离”（DOS），以全面评估因果发现中的结构相似性。研究表明，除了基于因果顺序的方法外，摊销因果发现与最优解的接近度也相对较高，为因果发现技术的性能提供了新的洞见。

Sep, 2024