使用排名约束的潜在分层因果结构发现
在这篇论文中，我们介绍了一种新颖且多用途的因果发现框架，它几乎可以适用于因果网络中几乎任何地方存在的具有因果关系的隐藏变量（例如，它们可以是观测变量的效应）。通过研究秩与条件独立性的有效性，我们在理论上建立了某些潜在结构模式可辨识性的必要和充分条件。此外，我们开发了一种基于秩的潜在因果发现算法（RLCD），可以高效地定位隐藏变量，并确定它们的基数，发现包括测量和隐藏变量在内的整个因果结构。我们还证明，在某些图形条件下，RLCD 能够渐近地正确识别整个潜在因果图的马尔可夫等价类。在合成和真实的个性数据集上的实验结果证明了该方法在有限样本情况下的有效性。
Dec, 2023
本文提出一种基于得分的方法来学习因果图，探讨了如何在存在潜在混淆因素的情况下进行因果结构的发现，并通过提出的贪心算法在合成数据上与现有算法进行比较。
Oct, 2019
通过利用非高斯数据的高阶累积量，我们提出一种用于估计因果系数或其比例的解析解，并通过估计后的（比例）因果系数，提出一种新的方法来确定受潜变量影响的两个观测变量之间是否存在因果边，以及在存在这样的因果边时引入了一种非对称性准则来确定因果方向，实验结果表明了我们提出方法的有效性。
Dec, 2023
使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。
Nov, 2023
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。
May, 2022
在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。
May, 2024
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
本文提出了一种非常通用的方法来学习因果模型的结构，该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环（反馈回路）和潜在变量的存在。我们的方法基于因果路径的逻辑表示，允许将相当通用的背景知识集成，推理是使用布尔满足（SAT）求解器执行的。该过程是完整的，因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息，否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况，适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。
Sep, 2013