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。

Feb, 2013

本文旨在反驳 Pearl 和 Dechter（1996）提出的基于 d - 分离准则的有向无环因果网络的条件独立性也适用于存在反馈循环的离散变量网络（前提是系统的变量由随机干扰确定），我通过示例说明通常情况下这并不成立，需要更强的条件，如存在可以保证唯一解的因果动态。

Jun, 2011

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

本文在不独立于同分布的数据实例上扩展了 d 分离理论，引入关系分离理论以从 relational models 推导条件独立性并提出了抽象的 ground graph 表达方式，从而实现了一种可靠、完整、高效的计算 d-separation 查询的方法。

Feb, 2013

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

通过将概率逻辑程序结构抽象化为程序结构，并给出一个正确的元解释器来决定给定外部数据库的程序结构是否意味着某个特定的条件独立性陈述，本研究将 Pearl 和 Verma 的有向分离理论推广到非 ground 情况，进而从 d-separation 中计算条件独立性，实验评估结果显示，比起在 ProbLog 2 中使用精确推理来检查独立性定义，我们的元解释器的性能明显更快。

Aug, 2023

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

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