本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑 “信仰” 假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复 SEM 的有向无环图结构。

Jul, 2017

我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型 (SEMs)，重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数，并建立了一些必要条件，以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升在满足这些条件的同时，提供了一个一致的因果顺序得分函数。为了解决高维数据集带来的挑战，我们通过分量梯度下降在加法 SEMs 空间进行了适应。我们的模拟研究验证了我们在低维度下的理论结果，并证明我们的高维适应与最先进的方法相竞争。此外，它对超参数的选择表现出鲁棒性，使得该方法易于调整。

Jan, 2024

从多元观测数据中恢复因果关系结构，方法基于线性结构方程模型，可有效处理潜在混淆，并可通过无弓有向无环路径图恢复精确的因果结构。

Jul, 2020

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

研究学习因果有向无环图从观察到的联合分布，探索一种基于结构方程模型的可识别因果图的替代方法，并提供针对有限样本的实用算法和实证研究。

Sep, 2013

在存在自我遮蔽缺失情况下，探索从缺失数据中学习因果结构的识别问题是一项具有挑战性的任务，然而我们发现最近引入的加性噪声模型具有潜力用于解决这个问题。本研究通过扩展因果骨架的可识别范围，给出了加性噪声模型下因果方向的充分和必要的识别条件，并提出了一种基于该理论结果的实用算法来学习因果结构。通过对合成数据和真实数据的广泛实验，证明了该算法的高效性和有效性。

Dec, 2023

基于连续优化框架通过引入松弛且可实现的充分条件，证明了一类可辨识的结构方程模型 (SEM)，在此基础上提出了一种新颖的有法考虑噪声方差变异的 DAG 学习方法，并设计了一个有效的两阶段迭代算法来解决优化困难，实现对具有异方差变量噪声和不同方差的数据的因果 DAG 学习。在合成数据和实际数据上，实验结果显示该方法明显优于现有方法。

Dec, 2023

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

本研究提出了一种新的因果发现方法 Structural Agnostic Modeling（SAM），该方法结合了条件独立性和分布不对称性，并旨在从观察数据中找到潜在的因果结构。研究使用神经网络作为不同参与者之间的游戏，并通过优化图结构和参数来实现优化学习准则。该方法通过在合成和真实数据上进行广泛的实验验证。

Mar, 2018

超级学习方程建模是一种集成机器学习超级学习器的路径建模技术，能够提供一致和无偏的因果效应估计，并在处理非线性关系时比结构方程模型（SEM）表现更好。

Aug, 2023