学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

Dec, 2023

该研究考虑在观测和干预数据都可用的情况下学习因果 DAG，并使用一种可证明的算法实现此目标。

Feb, 2018

该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。

Feb, 2024

本文提出了两种基于最优实验设计策略的主动学习方法，用于求解因果 DAG 的最优干预目标，以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集，保证因果 DAG 的全识别。在模拟研究中，两种主动学习方法与随机干预进行比较，并分析估计误差对主动学习性能的影响。

May, 2012

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

本文将有向无环图（DAGs）上的马尔可夫等价性的概念扩展到多重干预实验的干预性分布，给出两个 DAGs 在干预下等价的图理论标准，并且提出干预性本质图的概念，揭示了在干预性分布情况下因果模型识别过程的关键见解，最后基于这些见解，构建出一种新的算法来从干预性数据中进行结构学习，并进行了模拟研究。

Apr, 2011

该研究提出了一种基于高斯似然框架的有向无环图模型，用于联合建模观察数据和干预数据，以及通过 BIC 准则对干预马尔可夫等价类进行一致性估计，从而改善了干预数据的部分可鉴别性，提供更紧密的因果效应推断。

Mar, 2013

我们研究了在具有多个环境收集的异构数据的结构因果模型中，识别未知干预目标的问题。我们提出了一个两阶段方法，第一阶段恢复了在环境之间分布发生变化的未知干预目标对应的外源性噪声，第二阶段将恢复的噪声与相应的内源性变量进行匹配。在有潜在混淆因素存在的情况下，观察到的变量中的干预目标无法确定唯一。我们提供了一个候选干预目标集，它是真实干预目标集的超集。我们的方法改进了现有方法，返回的候选集始终是以前的工作返回的目标集的子集。此外，我们不需要诸如因果模型的线性性或执行不变性测试等限制性假设，以了解分布是否在环境之间发生变化，这可能会导致样本效率低下。我们的实验结果显示了我们提出的算法的有效性。

Dec, 2023

通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务，本文提出了匹配性的必要和充分条件以及一种自适应算法，用于学习混合因果模型中的所有真实边，具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。

Jun, 2024

本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

Jun, 2023