我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型 (SEMs)，重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数，并建立了一些必要条件，以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升在满足这些条件的同时，提供了一个一致的因果顺序得分函数。为了解决高维数据集带来的挑战，我们通过分量梯度下降在加法 SEMs 空间进行了适应。我们的模拟研究验证了我们在低维度下的理论结果，并证明我们的高维适应与最先进的方法相竞争。此外，它对超参数的选择表现出鲁棒性，使得该方法易于调整。

Jan, 2024

本文研究高维稀疏有向无环图模型或等价的高斯结构方程模型的结构和参数的正则化最大似然估计问题，证明了 DAG 的 $l_0$- 惩罚最大似然估计器具有与最小边 I-MAP 相同数量的边，以 Frobenius 范数收敛，允许节点数 p 远大于样本量 n，但假设稀疏性条件和任何真实 DAG 的任何表示至少有一定比例的非零边权值高于噪声水平，结果不依赖于忠实度假设或基于条件独立测试的方法。

May, 2012

本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

Jan, 2011

本文研究了从观测数据中学习因果结构的问题，提出了一种基于结构方程模型的因果结构学习方法，并通过实验验证了其良好性能。

Oct, 2019

通过提出一种基于新型结构规范的通用框架，以及使用线性化的多块交替方向乘数法算法来高效地解决该问题，我们研究了从高维数据中估计稀疏、结构稀疏和密集组件的模型。在合成和实际数据集上的实验证实了这种方法的优越性。

Sep, 2016

本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑 “信仰” 假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复 SEM 的有向无环图结构。

Jul, 2017

本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

Apr, 2023

使用加入 l1-norm 惩罚项的最大似然问题的解决办法来估计高斯或二元分布参数，以得到稀疏的无向图模型，并利用块坐标下降和 Nesterov's 一阶法等算法将复杂度限制在可接受范围内。

Jul, 2007

本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

Nov, 2013

从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

Jul, 2020