本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

Jan, 2011

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

本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

Mar, 2024

本文研究了从观测数据中学习因果结构的问题，提出了一种基于结构方程模型的因果结构学习方法，并通过实验验证了其良好性能。

Oct, 2019

本篇论文通过 IC​​A 方法，利用连续观测数据，发现了线性非高斯的因果结构模型 (LiNGAM-SEM)。该 LiNGAM 发现算法所输出的 SEM 分布等价类在大样本情况下是种群分布，并提出了仅有其中一个 SEM 稳定的充分条件。

Jun, 2012

本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

Nov, 2013

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

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

提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

Jun, 2021