通过逆协方差估计进行高维度线性因果网络学习
通过从观测数据中恢复有向无环图（DAG）结构来发现因果关系是一个众所周知的挑战性组合问题。本文首先提出了一种基于观测数据协方差矩阵的 Cholesky 分解的 DAG 结构恢复算法，该算法快速易实现且具有精确恢复的理论保证。在合成和真实数据集上，该算法比先前的方法明显更快，并达到了最先进的性能。此外，在等误差方差假设下，我们将优化过程纳入基于 Cholesky 分解的算法中以处理带有潜在变量的 DAG 恢复问题。数值模拟表明，修改后的 “Cholesky + 优化” 算法能够在大多数情况下恢复出真实图，并且优于现有算法。
Nov, 2023
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
本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。
Jun, 2021
我们提出一种新的凸得分函数，用于稀疏感知线性有向无环图（DAG）的学习，在异方差场景中通过平滑的非凸无环性惩罚项进行正则化，以实现峰值同时估计，并有效地将稀疏参数与外生噪声水平解耦，该算法在大型 DAG 和异质噪声水平时展现出更高的性能，且表现出增强的稳定性。
Oct, 2023
基于变分贝叶斯推理框架，我们开发了一种在有向无环图中量化不确定性的方法，通过引入新的分布，该分布直接在 DAG 空间上支持，我们的方法 ProDAG 可以提供准确的推理，通常优于现有的先进方法。
May, 2024
研究了一种正则化的基于得分的评估器族，可以从高维数据中学习多元正态分布的有向无环图（DAG）的结构，通过损失函数惩罚最小二乘估计，支持多种正则化方法，并且首次提出了在高维条件下基于得分的有向无环图结构学习的有限样本保证。
Nov, 2015
本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。
Jun, 2024
基于连续优化框架通过引入松弛且可实现的充分条件，证明了一类可辨识的结构方程模型 (SEM)，在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法，并设计了一个有效的两阶段迭代算法来解决优化困难，实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上，实验结果显示该方法明显优于现有方法。
Dec, 2023
提出了一种新的算法，从线性结构方程模型（SEM）生成的数据中学习有向无环图（DAG）。该算法证明在新设置中的可识别性，并显示与之前的 DAG 学习方法相比，少量有噪声的 root causes 能提供优异性能。
May, 2023