本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

Oct, 2019

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

通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。

Oct, 2020

通过VCEI框架，在单个观测设置中对双变量系统进行因果发现，基于因果和机制的独立性原则，人为构造两个设置，通过核最大平均偏差将人为干预转化为一个凸优化问题，通过一系列实验表明VCEI方法是一种有竞争力的因果发现方法。

Nov, 2022

本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。

Mar, 2023

本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试, 这些非参数规则可以广泛适用于大量结构因果模型。

May, 2023

本文介绍因果推断、因果发现、因果图、算法和真实世界应用，并探讨最近一致性观点对现有算法的概述、有用的工具和数据，以及为什么和如何可以成功利用这些方法。

May, 2023

本研究对观测因果发现方法的实证表现进行了广泛的基准测试，发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能，并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因果发现方法的评估树立新标准，并成为对该领域感兴趣的实践者的可访问入口，突出了不同算法选择的实证影响。

Oct, 2023

本研究通过审查现有文献并进行实证评估，在理解各领域现象根本原因的认识中，针对因果发现算法的碎片化、方法不一致以及缺乏全面评估等问题进行了全面而系统的研究，以提供对该领域的更清晰、更结构化的认识。研究中包括了对纳入10多年的、现有综述未能涵盖的因果发现进展的全面文献回顾，对200多篇学术文章的详细分析，鉴别出24个不同的算法，并以复杂性为导向，将这些方法划分为6个主要类型的分类法。研究还对20多个因果发现算法在合成和真实数据集上进行了扩展的实证评估，将合成数据集根据规模、线性度和噪声分布进行分类，运用了5个评估指标，并对不同数据场景的前3个算法推荐进行了总结，这些推荐已在2个真实数据集上得到验证。我们的研究结果突出了数据集特征对算法性能的重要影响。此外，我们还开发了一种元数据提取策略，用于帮助用户在未知数据集上选择算法。元数据估计的准确度超过80%。基于这些发现，我们提供了专业而实用的建议，以帮助用户选择最适合其特定数据集需求的因果发现方法。

Jul, 2024

本研究解决了因果发现领域中基于监督学习方法可能导致的误导性结果问题，提出了一种无监督的二变量因果发现方法。通过使用稳健的互信息度量，考虑了不同变量类型的影响，提供了一组标准的无偏结果，以指导未来在完全未知环境下的因果发现任务。

Aug, 2024