因果模型的逻辑
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。
Feb, 2013
本文提出了一种用于验证数据一致性的有效算法，该算法可以从独立性信息中提取因果关系，利用条件独立语句测试是否存在符合所有观测到的依赖性和独立性的因果模型，并找出存在的因果关系。
Mar, 2013
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
介绍了一种新的超级图类 mDAGs，通过潜在投影操作从 DAG 的边缘获取 mDAG，每个独特的 DAG 模型边缘至少由一个 mDAG 表示，并提供了图形结果以表征两个边缘模型何时相同。最后，证明了 mDAGs 可以在观察变量干预下正确地捕捉 DAG 的边缘结构。
Aug, 2014
引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。
Jan, 2024
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
利用核对象的条件独立性分解和变量消除的辅助计算方式，定义一套有向无环混合图模型和 Tian 等人提供的约束条件，并证明 DAG 模型的边缘分布属于该模型，最后阐明该模型中对于隐藏变量因果 DAG 模型识别的简单性质。
Jan, 2017
本文提出了一种用于计算标记等价类中 DAG 数量的技术，并显示在有限制图案下，所提出的算法是多项式时间的。此技术可用于均匀采样来枚举等价类中的 DAG，并可用于因果实验设计和估计联合干预的因果效应。
Feb, 2018