祖先因果推断
通过引入贝叶斯 - augmented 的频率独立性检验方法，可以解决数据量不足的问题来改善局限于有限数据的约束性因果发现方法的性能，由实验也表明相比于目前最佳方法在精确度和效率方面都有显著提高。
Jun, 2022
本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示，名为因果一致分区图（CCPG），它由顶点的一个分区和在其组件上定义的有向图组成，并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下，通过多项式数量的测试，提供了首个有效的还原真实因果图的算法。
Jun, 2024
本文提出了两种利用观测和介入数据学习基因调控网络的算法，并证明了这两种算法在符合无偏性假设的情况下均具有一致性保证。同时，这些算法具有非参数性质，适用于分析非高斯数据。本文还对这两种算法在模拟数据，蛋白质信号数据和单细胞基因表达数据上的性能进行了分析。
May, 2017
通过逻辑推理的方法，基于简单的关系逻辑陈述从部分观测到的关系推出因果关系的方法，可以在存在潜在变量和选择偏差的情况下找到对应局部祖先图的所有不变特征，发现每一个可识别的因果关系都对应了两种基本形式，因为该方法的基本构建块不依赖于图形结构，因此可以开发更稳健的推理，详细的询问方法和大规模应用方案。
Feb, 2012
借助生成流网络，利用原始信念分布比例对因果祖先图进行采样，然后通过层次变量间关系的有力实验设计，迭代地与专家互动，有效减少对因果祖先图的不确定性。通过重要性采样结合人的反馈，更新我们的样本，提高推理质量，并不需要因果充足（即可能存在未观察到的混淆变量）。实验结果表明，我们的方法能够准确地对因果祖先图的分布进行采样，并且在人类帮助下能够大大提高推理质量。
Sep, 2023
该论文提出了一种算法，称为 COmbINE，可以处理来自不同数据分布下的重叠变量集合的数据集合，将数据的依赖关系和独立性转化为路径约束，并将它们编码为一个 SAT 实例，并将所有模型的不变和变异结构特征作为输出，方便地进行分析研究。
Mar, 2014
本研究探讨如何处理因选择偏差而导致的独立性约束偏差问题，并通过独立关系的局部模式，提出了一种基于 Y-Structure 的有限样本计分规则，成功地预测了选择机制下的因果关系，并在微阵列数据上表现出色。
Mar, 2022