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

研究了无向边和有向边混合，并且无向边形成无环图的 acyclic directed mixed graphs (ADMGs) 及其概率模型，提出了一种基于简单路径判据的全局马尔科夫性标准 ——m-separation，并得到了该模型的因子分解准则及离散随机变量的参数化表示，验证了该模型的光滑性，从而证明了马尔科夫性 ADMG 模型是曲率指数族。

Jan, 2013

我们为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，该标准可被视为 Robins（1986）g - 公式的推广。我们进一步获得了截断因式分解公式（Pearl，2009）的推广，并将我们的标准与 Perković等人的广义调整标准（2017）进行了比较，后者对于因果识别是充分的，但不是必要的。

Oct, 2019

研究了允许存在循环和潜变量的概率图模型，并引入了带有超边的有向图，定义并分析了多个与图形结构相关的马尔可夫属性。

Oct, 2017

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

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

我们提出了一种新的、高效的过程来建立可能包含循环的有向图之间的马尔科夫等价关系，它基于 Thomas Richardson 在 90 年代中期关于循环模型的开创性工作中的循环等价理论，并从祖先的角度进行了重新表述。这种简化的特征导致了一种建立图之间马尔科夫等价关系的过程，不再需要进行 d - 分离测试，从而大大降低了算法的复杂性。这种概念上的简化特征可能有助于在存在潜在混淆因素的情况下重新激发理论研究，以实现完整的循环发现。本版本对定理 1 的规则 (iv) 进行了修正，并在算法 2 的第 2 部分进行了相应的调整。

Sep, 2023

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

研究通过混合因果模型来获得分布，并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。

Jan, 2020

本文新增一套足以构建所有最大祖先图的马尔科夫等价类的公共尾巴箭头的定向规则，并提供了一组定向规则，用于识别马尔科夫等价类的公共性，特别是对于因果推断的实用性。

Jun, 2012