本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。
Mar, 2023
在线学习中基于干预样本历史的分离图系统相匹配的追踪停止因果发现算法优于现有方法，通过较少的样本实现更高准确性的因果图学习。
May, 2024
本文提出了 CUTS + 方法，该方法结合了 Granger 因果关系、粗到细发现技术和基于信息传递的图神经网络，以克服时间序列数据中高维度和缺失值的限制，从而取得了很好的因果发现性能。
May, 2023
机器学习在预测方面已经取得了很大进展，但缺乏通用人工智能，研究表明因果推断是实现机器推理和机器智能的一种重要方法，本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究，提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。
Jul, 2016
CausalDisco 是一种将因果关系发现作为知识图谱补全问题的新方法，支持因果解释和因果预测，并通过比较多个知识图嵌入算法在模拟视频数据集上的表现，证明了使用加权因果关系能够提高因果关系发现的性能。
Apr, 2024
本文介绍了一种从数据中学习因果图的因果发现方法，通过引入可移除变量的概念和递归方法来解决因果发现中的挑战，并提供了一个高效实现这些方法的 Python 包，可供实践者和研究人员在实际场景中使用。
Mar, 2024
寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。
Aug, 2023
本文提出了一种基于视频无监督学习的因果发现方法，结合感知、推理和动力学模块，能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用，并做出反事实推理和未来预测。
Jul, 2020
通过神经网络的数据驱动学习 Koopman 基础知识的 Koopman 灵感框架 (NKDCD)，可可靠地推断 Granger 因果关系以及相关的非线性动力学。
通过测试不兼容性来检测错误推断的因果关系，以支持因果模型的选择，并提供了因果发现算法在模拟数据中的评估方法。
Jul, 2023