提出了一种新的有向无环图结构学习算法，通过在等价图势函数梯度集合中搜索来解决优化问题，并使用 Hodge 分解从一个初始环图中学习无环图，该方法在基准数据集上具有与基线算法相当的准确性和更高的效率。

Jun, 2021

通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

May, 2024

通过将上下文特征映射到加权邻接矩阵上的有向无环图（DAG），并利用具有新颖投影层的神经网络，我们提出了一种处理上下文 DAG 问题的方法，该方法确保输出矩阵稀疏并满足无环性质的最近发展算法，并为学习上下文 DAG 提供了可伸缩的计算框架，同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明，这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。

Oct, 2023

本文章通过 L1 正则化优化的稀疏矩阵分解方法，得到逼近 DAG 的图结构，避免了传统结构学习算法在组合复杂度方面的缺陷。

Jun, 2020

通过研究稀疏性和 DAG 约束的渐近作用，提出了一种基于类似似然函数的求解 DAG 约束的无约束优化方法，该方法能够在处理成千上万个节点时仍然保持高精度。实验证明，该方法比使用最小二乘法和硬 DAG 约束的方法更加有效。

Jun, 2020

本文提出了一种基于优化问题的连续方法，来解决结构学习问题，避免了组合约束，并有效地提高算法效率。该方法在没有强加任何结构假设的情况下，优于其它现有方法。

Mar, 2018

本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

Nov, 2022

本研究介绍了带有辅助意见的主动因果结构学习问题，提出了一种新的搜索算法来回复有向无环图，其干预成本最多为验证图的成本的 O（max {1，logψ}）倍，其中 ψ 是 G 和 G * 之间的距离度量，当 G=G * 时恰好为 0。

May, 2023

通过利用部分因果顺序，本文提出了一种通用的估计框架来学习有向无环图的结构，并提供了低维和高维问题的高效估计算法。

Mar, 2024

通过结合基于排序的 MCMC 算法和类似于有向无环图模型的稀疏性假设，我们提出了一种可扩展学习特定背景模型的混合算法，该算法在测试约束数量与标准有向无环图模型学习算法相同的情况下适用于数百个变量，并且经过合成数据和真实世界例子的实验证明，无论是准确性还是可扩展性都表现良好。

Feb, 2024