本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。

Oct, 2022

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

该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

Jul, 2013

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

本篇研究介绍了一种使用 SparseMAP inference 进行训练的方式，可以在维持可区分性的同时，实现从全局潜在结构建立不受限制的动态计算图，从而助力于深度神经网络建模的训练。

Sep, 2018

用户偏好、推荐系统、混淆因素、因果图和潜在空间是本研究的关键词，研究探讨了混淆因素对用户偏好的影响和如何在潜在空间中建模，通过因果图的方式分离混淆因素和用户偏好。最后，提出了基于变分自动编码器的模型，命名为潜在空间中混淆因素的因果结构表示学习 (CSC)，通过实验证明了该模型的优越性以及对混淆因素的可控性。

Nov, 2023

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

该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。

May, 2022

探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。

Nov, 2022

本文介绍了如何半参数地建模具有结构化潜在混淆因素以提高因果效应估计并给出一个基于椭圆切片取样的贝叶斯推理算法；最后展示了基于这个模型的 GP-SLC 在包括婴儿健康与发展项目和新英格兰州全州能耗变化数据集等三个基准数据集上与广泛使用的因果推断技术相比具有竞争力或更高的准确性。

Jul, 2020