该论文提出了一种名为‘关系性因果发现(RCD)’的算法，通过关系性模型和在条件独立方面的提升推理，学习因果关系，证明了该算法的可靠性和有效性。
Sep, 2013
本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。
Oct, 2019
提出了一种基于共享动态的时序数据因果发现新框架，能够通过一个单一的学习模型有效识别不同样本之间的因果关系，从而在因果发现性能等方面取得了显著的提升，并可处理噪声和隐藏混淆等问题。
Jun, 2020
本文通过建立结构性因果模型和应用图神经网络模型，提出了一种新的因果推断方法，并证明了该方法可以用于因果效果辨识。
Sep, 2021
本研究提出了一种正则化方法，通过领域知识中的先验知识来对齐神经网络的学习因果效应，包括直接和总因果效应，并在十二个基准数据集上进行实验和测试，表明该方法可实现神经网络模型的正则化，维护所需的因果效应而不牺牲准确性，而且在嘈杂的输入情况下还能提高模型准确性。
Nov, 2021
本文通过向前馈神经网络注入潜在的因果关系，以保证神经网络模型符合专家知识，从而提高模型在发现因果关系和预测性能方面的鲁棒性和精度。
May, 2022
图神经网络(GNNs)在因果学习中的应用和发展进行了全面的综述，包括分类和应用等方面，提供了与实际研究相关的数据集，同时探讨了因果学习在不同领域的应用，为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。
Nov, 2023
通过构建人工合成数据集和进行实验验证，本论文从因果学习的角度综合分析了各种图神经网络模型，在此基础上提出一种轻量且高度适应性的图神经网络模块，以增强其因果学习能力。
Dec, 2023
本研究解决了在给定因果图和观测数据时回答可识别因果效应查询的问题。我们提出了一种新方法，通过直接从观测数据中学习因果贝叶斯网络及其潜在混淆变量，使用高效的概率图模型算法回答查询。结果表明，该学习方法在处理较大模型时，比传统估算方法更有效，具有显著的应用潜力。
Aug, 2024
本研究针对从观察数据中回答因果效应查询的标准方法的不足，提出了一种新的范式，直接从观察数据中学习因果贝叶斯网络及其潜在混杂变量。研究发现，这种模型补全学习方法在较大模型中比传统的估计方法更为有效，具有重要的应用潜力。