本研究讨论将关于因果关系的先验知识纳入因果模型，并介绍了一些基于因果贝叶斯网络和最大祖宗图等模型的加入因果先验知识的方法和过程，通过模拟实验和案例研究发现，加入少量先验知识将导致大量新的推断结果。
Jun, 2012
本文介绍了第一种可进行大样本因果关系可靠识别的计算可行的基于分数的算法，允许存在未观测到的共同原因，并基于从观测数据中学习的贝叶斯网络结构来识别所谓的Y子结构，从而无需为存在未观察到的共同原因的因果结构分配分数。
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
采用模块化结构因果模型(mSCM)，引入了sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。
Jul, 2018
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
本研究考虑了从关系型数据中学习因果关系的问题，并提出一个可靠的条件独立性测试方法，通过对关系型数据进行条件独立性测试来恢复底层因果结构，并进行实验验证。
Dec, 2019
本文提出了一种名为因果关系网络的算法，采用神经网络学习因果模型，并使用连续表示方法表示因果模型，从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型，同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的效果。
Aug, 2020
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
在关系因果模型中，通过关系回路对复杂的动态系统进行建模和推理，本文引入了一种关系去环操作，探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。
Aug, 2022
利用参数因果因子图的抬升推断算法，在概率图模型中加速计算关系领域的因果效应。
Mar, 2024