通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

Nov, 2022

本研究使用核均值嵌入分类将因果推断作为问题，从数据中直接学习因果推理，并在合成和实际数据上验证了方法的性能，赢得了 ChaLearn’s “Fast Causation Coefficient Challenge” 的 the fastest code prize，并排名第三.

Sep, 2014

对于两个变量间的因果关系推断，我们提出了一种新的方法，即在确定性（无噪声）情况下，利用函数的非对称性以及它和因变量的概率密度的独立性进行推断。我们还将其与信息几何联系在一起，在不同领域的实际数据集上获得了强有力的实证结果。

Mar, 2012

本文讨论探讨了一种新的方法，可以通过观察数据中隐藏的共同原因进行推断和检验因果关系，而不是直接基于假设。

Jan, 2018

本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

Oct, 2019

本文分析了没有条件独立 (conditional independence) 武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。

Feb, 2021

在大数据时代，处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上，缺乏对数据连续性、领域适配性以及海量数据的易用性等问题的持续性研究，而这些问题非常普遍。本论文定义了持续性治疗效果的评估问题，并提出了问题的研究难点和可能的解决方案。最后，我们还讨论了未来该领域的研究方向。

Jan, 2023

提出一种基于反偏倚机器学习的一对多特征选择方法，可用于纯观察性数据，同时提供理论保证，包括部分非线性关系和循环数据的情况，并证明与目前的方法相比有显著改进。

Jul, 2020

应用贝叶斯框架构建了一个新的因果模型，利用可识别因果方向的贝叶斯模型选择方法，在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。

Jun, 2023

通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

May, 2023