本文研究非实验数据中确定因果关系的图形准则，提出了 Pearl 的工作和 Huang 和 Valtorta 的算法，并证明了 Pearl 提出的基本 do-calculus 规则是完整的。

Jun, 2012

研究了在给定因果图的情况下，通过最小成本干预变量来学习任意因果图的问题。证明了该问题是 NP 难问题，提出了一种基于贪心算法的常数级别近似解，并开发了一种计算干预设计的算法，该算法在稀疏因果图和干预条件下几乎是最优的，并讨论了在节点有成本的情况下如何使用它。

Oct, 2018

本文研究了如何在潜变量的影响下，通过最小化干预代价来恢复因果图，并提出了两种干预代价模型，并在此基础上，给出了在线性代价模型下识别祖先关系的算法，以及使用特殊类型的 colliders 来限制干预次数的方法。

May, 2020

本研究提出了一种利用干预演算法来推测协变量对响应参数的因果效应的算法，并运用这个方法去确定变量的重要性。

Oct, 2008

考虑有干预的变量集合的因果图学习问题，研究了在给定骨架的情况下设计最小总代价的干预集合，以唯一确定具有该骨架的任何因果图的成本最优因果图学习问题，并证明该问题可以在多项式时间内求解，针对干预数量有限的情况，我们提供了树或团树骨架的情况下的多项式时间算法，对于一般弦图骨架，我们开发了一个高效的贪心算法，当因果图骨架是区间图时，可以改进算法。

Mar, 2017

本文研究了因果贝叶斯网络上的测试和学习问题，并提出了有效的算法来测试两个未知因果贝叶斯网络的相似性和学习因果贝叶斯网络。

May, 2018

该论文探讨了在 Pearl 的结构方程模型下使用有限干预学习因果网络的问题，并使用信息论方法研究了干预次数的下界，并提出了一种新的分离系统构造方法来学习弦图和任意骨架的因果方向。

Oct, 2015

本文主要研究的问题是通过 $do$-calculus 方法推断任意条件因果效应的可识别性问题，特别将正性假设显式引入，提出了相应的 sound and complete 算法，为 Lee et al. [2020] 和 Correa et al. [2021] 的研究工作进行了扩展，并不局限于观测分布 $P (V)$。

Jun, 2023

本文提出了两种基于最优实验设计策略的主动学习方法，用于求解因果 DAG 的最优干预目标，以改进因果 DAG 的边缘识别。其中第二种策略在多项式时间内得到任意大小的最小目标集，保证因果 DAG 的全识别。在模拟研究中，两种主动学习方法与随机干预进行比较，并分析估计误差对主动学习性能的影响。

May, 2012

本文研究探讨了在给定一个观测 Markov 等价类的因果图时，发现其唯一性所需的最坏情况实验次数可以指定为 Markov 等价类中最大团的函数。我们提供了一种算法来计算我们认为对于上述任务最优的干预集合。该算法建立在 Eberhardt 等人（2005 年）对于当考虑所有可能的 N 个变量的有向无环图时的一系列实验的最坏情况分析中获得的洞见的基础上。仿真结果表明我们的猜想是正确的。我们还展示了我们的猜想推广到其他可能的图假设类别不易进行，以及算法不再最优的意义。

Jun, 2012