本文研究学习贝叶斯网结构的贝叶斯模型平均方法，提出了新算法，包括第一个能够根据精确结构后验有效采样有向无环图的算法。 DAG样本可以用来构造任何特征的后验估计器，在理论上证明了我们的估计器的良好性质，并在实证上表明估计器明显优于先前最先进方法的估计器。

Jan, 2015

提出了一种新颖的混合方法，将基于约束和MCMC算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

Mar, 2018

本文提出了贝叶斯因果推断的方法，其中用到了MCMC方法来进行图结构的采样，并得到了线性高斯DAG模型的因果效应估计。

Sep, 2020

本研究提出了针对因果有向无环图（DAGs）的干预设计的通用下限，并基于有向团树将DAG分解成可独立定向的组件，从而证明在任何EC中定向任何DAG所需的单节点干预数至少是每个基本图的链组件中最大团大小的一半的总和。另外，我们还提出了一个两阶段干预设计算法，其性能符合以最大团个数的对数乘性为界限的最优干预数，并通过合成实验验证了我们的算法可以比大多数相关工作处理更大的图形并且获得更好的最坏情况性能。

Nov, 2020

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

本文提出了Bayesian Causal Discovery Nets(BCD Nets)，它是一个用于估计线性-Gaussian SEM中描述一个DAG的概率分布的变分推理框架。本框架采用了连续松弛，适当的先验分布以及表达力强的变分族等重要设计，旨在解决实际情况下对潜在图进行的不确定性估计问题。最终实验表明，与基于最大似然的方法相比，BCD Nets在低数据环境下的结构Hamming距离等标准因果分析评估指标上表现更好。

Dec, 2021

基于随机梯度马尔可夫链蒙特卡洛(SG-MCMC)的可伸缩贝叶斯因果关系发现框架，无需任何有向无环图(DAG)正则化约束，直接从后验中采样有向无环图(DAG)，同时绘制函数参数样本，适用于线性和非线性因果模型。基于合法的等价关系，我们首次应用基于梯度的MCMC采样用于因果关系发现。通过对合成数据集和真实世界数据集的实证评估，展示了我们方法与最先进基准模型的有效性。

Jul, 2023

在推断贝叶斯网络结构（有向无环图，DAG）的背景下，我们设计了一种非可逆连续时间马尔可夫链，称为“因果Zig-Zag采样器”，该采样器针对一类观测等效（Markov等价）DAG的概率分布。这些类别以完成的部分有向无环图（CPDAG）表示。非可逆马尔可夫链依赖于Chickering的贪婪等价搜索（GES）中使用的操作符，并以动量变量进行了改进，从实证结果上显示其混合效果显著。可能的目标分布包括基于DAG先验和Markov等价似然的后验分布。我们提供了一种高效的实现，其中我们开发了新的算法来列出、计数、均匀采样和应用GES操作符的可能移动，所有这些都显著改进了现有技术水平。

Oct, 2023

从概率推断的角度来看，文章提出了一个解决贝叶斯网络的结构估计问题的方法，通过在一个扩展的有向无环图和排列空间上的联合分布进行后验估计，利用离散分布的连续松弛来利用变分推断，从而在一系列合成和实际数据集上胜过竞争性的贝叶斯和非贝叶斯基准模型。

Feb, 2024

本研究提出了一种可扩展的贝叶斯方法，通过能够生成无需明确执行非循环性的有向无环图，有效地学习给定观测数据的因果图的后验分布，并通过简单的连续域变分分布学习，模拟了因果图的后验分布，实证实验表明该模型在模拟和真实数据集上的性能优于几种现有方法。

Jul, 2024