基于独立性检验的测量误差和线性非高斯模型因果发现方法
研究非线性关系下的因果发现问题，提出基于非线性独立成分分析的方法，通过一系列独立性检验来推断具有双边因果关系的变量之间的因果方向，并扩展到多变量因果发现，最终通过神经成像数据证明该方法的有效性。
Apr, 2019
我们研究了在存在潜在变量的条件下学习因果结构的复杂任务，包括定位潜在变量和确定它们的数量，以及确定潜在和观察变量之间的因果关系。我们提出了一种用于线性非高斯非循环因果模型（包括潜在变量）的广义独立噪声（GIN）条件，该条件确定了某些测量变量的线性组合与其他测量变量之间的独立性。通过与 GIN 的图形准则的比较，我们发现独立噪声条件可以看作是 GIN 的特殊情况。借助所提出的 GIN 条件和精心设计的搜索程序，我们进一步高效地估计了线性非高斯潜在层次模型（LiNGLaHs），其中潜在变量可能具有因果关系，甚至可能遵循层次结构。实验结果证明了所提出方法的有效性。
Aug, 2023
本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。
Mar, 2024
本文提出了一种基于深层潜在变量模型和重要性加权变分目标的测量误差下因果推断的方法，使得即使没有测量误差方差和侧面信息，也可以得出可靠的因果效应估计。
Jun, 2023
探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。
Nov, 2022
本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。
Jan, 2011
本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。
Apr, 2023
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