本文提出一种基于条件独立性检验的后验逼近方法，用于学习贝叶斯网络。相比于先前的基于顺序 MCMC 的方法，该方法能够实现更佳的精度、可伸缩性和混合采样效果，同时允许使用更多自然的结构先验并消除了对最大入度的时间依赖性。

Mar, 2018

通过利用有向无环图(DAG)因果模型的低秩假设，本文提出了一种新的方法来缓解在高维度设置中学习表示DAG的因果结构的问题，提供了图形条件和现有方法的适应性，并提供了经验证据支持低秩算法的实用性。

Jun, 2020

本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图，并通过整数规划公式求解，能够有效获得优秀结果，且优于现有基准方法。

Feb, 2021

本研究提出了一种使用强化学习和顺序图来学习因果结构的方法，称为RCL-OG。 在合成和基准数据集上的实验表明，RCL-OG提供了准确的后验概率近似，并比竞争的因果发现算法取得了更好的结果。

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

在推断贝叶斯网络结构（有向无环图，DAG）的背景下，我们设计了一种非可逆连续时间马尔可夫链，称为“因果Zig-Zag采样器”，该采样器针对一类观测等效（Markov等价）DAG的概率分布。这些类别以完成的部分有向无环图（CPDAG）表示。非可逆马尔可夫链依赖于Chickering的贪婪等价搜索（GES）中使用的操作符，并以动量变量进行了改进，从实证结果上显示其混合效果显著。可能的目标分布包括基于DAG先验和Markov等价似然的后验分布。我们提供了一种高效的实现，其中我们开发了新的算法来列出、计数、均匀采样和应用GES操作符的可能移动，所有这些都显著改进了现有技术水平。

Oct, 2023

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

通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务，本文提出了匹配性的必要和充分条件以及一种自适应算法，用于学习混合因果模型中的所有真实边，具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。

Jun, 2024

近年来对因果学习的兴趣逐渐增加。常用的因果结构表示方法，包括贝叶斯网络和结构方程模型（SEM），采用有向无环图（DAG）形式。我们提供了一种新颖的混合整数二次规划表达和相关算法，用于识别可识别的50个顶点的DAGs。我们称之为ExDAG，即精确学习DAGs的方法。尽管存在阻止循环形成的超指数个约束条件，该算法通过添加违反找到解的约束条件，而不是在每个连续值放宽中施加所有约束条件。我们的实验结果表明，在考虑高斯噪声时，ExDAG在精度方面优于当地最先进的求解器，在扩展性方面优于最先进的全局求解器。我们还提供了对其他噪声分布的验证。

Jun, 2024

本文解决了从观察数据中揭示因果关系结构的挑战，提出了一种名为REACT的新颖方法，通过强化学习有效探索有向无环图（DAG）空间。该方法通过直接将实值向量映射到有效的DAG邻接矩阵，显著提高了搜索效率，并在多种数据集上验证了其优越性。

Aug, 2024