线性规划中的结构和因果关系发现
本文介绍了结构预测在计算机视觉和自然语言处理等领域中的应用，主要是通过最大后验推断或整数线性规划来进行预测，但由于需要复杂的打分函数来获得准确的预测结果，因此学习和推断通常需要使用近似求解器。我们提出了一个理论解释，解释了基于线性规划松弛的近似算法在真实场景中的紧密性，并表明使用LP松弛推断进行学习有助于保证训练示例的整整性。
Nov, 2015
本书介绍了概率编程的基础和技术，主要包括概率编程语言的设计和构建、基础推理算法和高阶概率编程语言、概率编程与可微分编程的交叉应用，尤其是深度概率编程系统的设计与语言特性对其的影响。
Sep, 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
本文回顾和综述了有关因果推理及结构发现方法的背景理论，重点介绍了现代连续优化方法，并提供了参考资源如基准数据集和软件包。最后，我们还讨论了从结构到因果所需要的假设性跳跃。
Mar, 2021
使用高阶范畴论，提出了一种统一形式化结构发现因果模型和强化学习中预测状态表示模型的方法，并通过寻找内部和外部Horns的扩展，解决了潜在结构发现的数学问题。
Sep, 2022
本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。
Oct, 2022
通过 Markov categories 定义无向图模型上的联合概率密度和样本结果的确定性映射的组合的范畴，这是将概率编程和因果推断中的因子化密度的操作定义与概率测度的范畴描述结合的一步。
May, 2023
采用线性因果模型的线性抽象函数，本研究首先确定了低级系数和抽象函数如何决定高级系数，以及高级模型如何约束低级变量的因果顺序；然后，通过观测数据学习了高级和低级因果模型及其抽象函数，并提出了一种名为Abs-LiNGAM的方法，利用所学高级模型和抽象函数所引导的约束，加快了更大规模低级模型的恢复过程，假设产生噪声项为非高斯分布；通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。
Jun, 2024
对于包含潜在混淆因素的因果发现问题，存在超越条件独立性的约束条件，可以使因果发现算法能够区分更多的图对。在没有圆弓的线性结构方程模型的设置下，我们研究了代数约束，并认为这些约束提供了最精细的解析度。我们提出了有效的算法，判断两个图是否施加相同的代数约束，或者一个图所施加的约束是否是另一个图所施加约束的子集。
Jun, 2024
通过引入标准化操作，我们提出了内部标准结构因果模型（iSCMs），以解决结构因果模型数据中的方差和成对相关性增加的问题，并证明线性iSCMs在大系统中不会折叠成确定性关系，可能在超越所研究的基准问题的因果推断中是一个有用的模型。
Jun, 2024