本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。

Feb, 2013

采用模块化结构因果模型(mSCM)，引入了sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

Jul, 2018

本文提出一种基于得分的方法来学习因果图，探讨了如何在存在潜在混淆因素的情况下进行因果结构的发现，并通过提出的贪心算法在合成数据上与现有算法进行比较。

Oct, 2019

本文提出了一种基于梯度的方法，将组合结构学习问题转化为连续优化问题，并进一步应用于图自编码器框架中，以应用于非线性结构方程模型以及向量值变量的因果结构学习。作者在合成数据集上进行了实验，结果表明这种方法在大型因果图中明显优于其他基于梯度的方法，而且在图的规模扩大时，方法的可扩展性和效率表现均表现良好。

Nov, 2019

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

通过利用有向无环图(DAG)因果模型的低秩假设，本文提出了一种新的方法来缓解在高维度设置中学习表示DAG的因果结构的问题，提供了图形条件和现有方法的适应性，并提供了经验证据支持低秩算法的实用性。

Jun, 2020

本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图，并通过整数规划公式求解，能够有效获得优秀结果，且优于现有基准方法。

Feb, 2021

本文提出了一种新的有向无环因果图结构学习方法ENCO，可以将因果图搜索表述为独立边似然的优化，并在不需要强制保持无环的情况下提供收敛保证。在实验中，作者展示ENCO可以高效地恢复拥有数百个节点的图，并处理确定性变量和潜在混淆因子。

Jul, 2021

采用线性因果模型的线性抽象函数，本研究首先确定了低级系数和抽象函数如何决定高级系数，以及高级模型如何约束低级变量的因果顺序；然后，通过观测数据学习了高级和低级因果模型及其抽象函数，并提出了一种名为Abs-LiNGAM的方法，利用所学高级模型和抽象函数所引导的约束，加快了更大规模低级模型的恢复过程，假设产生噪声项为非高斯分布；通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。

Jun, 2024

本研究解决了因果建模中变量间线性稀疏关系的识别问题。提出了一种新颖的因果发现算法，这种算法依赖于结构矩阵的重构能力和统计属性，以确定正确的结构矩阵。研究结果表明，该方法在恢复线性稀疏因果结构方面超越了现有的其他方法，具有显著的应用潜力。

Oct, 2024