本研究研究了有向无环图在表示条件独立关系方面的作用，提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外，研究还表明 DAG 所显示的依赖关系是相一致的。
Mar, 2013
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
本文介绍了一种基于单个观测数据进行因果推断的方法，使用条件算法互信息代替因果马尔科夫条件中的条件随机独立性，解释了单个对象之间相似性的因果图生成，并使用可判定复杂度标准替代 Kolmogorov 复杂度，提出了一种新的因果推断原则，从而可以在 Markov 等价因果图之间进行选择。
Apr, 2008
本文研究了依赖知识和图结构之间的关系，提出了基于因果输入列表的 DAG 的分离规则，为读取任何 DAG 中的独立性提供了一个可靠的方法。
本文提出了一种新方法 —— 称作直接因果子句（DCC）来表述所有类型的因果背景知识，分析因果背景知识的一致性、等价性，任何因果背景知识集合都可分解成一个因果 MPDAG 和一个最小剩余 DCC 集合，并提供了用于检查一致性、等价性和查找分解的多项式算法。最后，作者们还发现，因果效应的可鉴定性仅取决于分解后的 MPDAG。
Jul, 2022
该研究介绍了一种叫做 “集群有向无环图（Cluster DAGs）” 的新型图形建模工具，其可以基于有限的先验知识提供变量之间关系的部分规范，从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下，本研究还开发了基于 “Pearl's Causal Hierarchy” 的各层级的变量集聚进行推理的方法，并验证了 C-DAGs 的有效性。
Feb, 2022
该研究讨论了在有向无环图中查找最小分隔集的组合问题和其扩展，提出了一种基于两步过程的算法来解决该问题。
该研究讨论了如何通过观察子系统来推断一个未知的大系统中的公共祖先，使用了信息论不等式来量化观察结果中的依赖关系，将多变量情况下的 Reichenbach 原理推广到因果解释的有向无环图中，并考虑了非概率观察结果的情况。
Oct, 2010
我们为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，该标准可被视为 Robins（1986）g - 公式的推广。我们进一步获得了截断因式分解公式（Pearl，2009）的推广，并将我们的标准与 Perković等人的广义调整标准（2017）进行了比较，后者对于因果识别是充分的，但不是必要的。
Oct, 2019
该研究使用有向无环图 (DAG) 表示随机变量之间的条件独立关系，证明了非递归结构方程模型能够通过有向循环图表示条件独立误差，并推导出满足条件独立约束的充分条件以及非线性系统的变量在相关分布中条件独立的条件。