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

本文介绍了一种基于功能表示的因果独立的时间特征，可以将其应用于信念网络中以实现更高效的推理。

Feb, 2013

本文回顾了两组单变量因果发现的方法：加性噪声方法（ANM）和信息几何因果推断（IGCI）。作者呈现了一项由各个领域（如，气象学、生物学、医学、工程、经济学等）37个数据集中选择的100个不同因果对的数据基准，这些方法在真实世界基准数据上的实证结果表明，某些方法确实能够仅使用纯观测数据区分原因和效应。

Dec, 2014

本文基于“因果独立性原则”，提出了一种新的时序数据因果推断方法，该方法并不依赖于噪声，而是从功率谱密度性质的不对称性入手，能够在确定性系统下使用。通过实验，该方法表现出了很好的效果。

Mar, 2015

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

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

我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。

Sep, 2023

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

探究潜在变量所呈现的因果结构中的差异类型，研究中发现具有相同mDAG结构的两种因果结构是无法区分的，并研究了因果结构的优劣以及最大信息探究方案的鉴别能力。

Jul, 2024

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