本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试, 这些非参数规则可以广泛适用于大量结构因果模型。
May, 2023
本文研究了非线性潜在变量的分层因果模型的识别问题，并证明在一些缓和的假设下，可以实现因果结构和潜在变量的可识别性。
Jun, 2023
本论文提出了一种基于潜在变量和因果模型的预测建模方法，以预测基因组学中联合扰动效应，并证明了该模型在无限数据极限下可以恢复潜在因果模型。
Jul, 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
从观察到的低级数据中揭示潜在高级因果表征是因果表征学习的目标之一，本文通过对多个环境中潜在因果变量之间因果影响的变化进行识别性探索，扩展了潜在因果模型的范围以涉及非线性因果关系，并且提出了一种新的经验估计方法，通过理论发现为学习一致的潜在因果表征提供了可行性。
Oct, 2023
该论文研究因果关系表示学习，通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系，假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念，并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。
Nov, 2023
本研究解决了线性因果表示学习中关于减少环境数量和使用粗略干预的问题。我们提出了一种新颖的识别方法，可以在温和的标准假设下识别出因果图中变化的节点。研究结果表明，该方法在处理样本数据时具有实际应用潜力，并通过综合实验验证了其有效性。
Oct, 2024
本研究解决了因果解缠中的一个关键问题，即如何仅凭观测数据识别潜在因果因素。作者提出了一种新的方法，通过在非线性因果模型中对潜在变量进行精确表征，不需要进行干预。这一理论成果转化为实用算法，并通过模拟结果验证，其在仅使用观测数据时能够生成有意义的因果表示。
本研究解决了线性因果表示学习中存在的一个关键问题，即在较少环境和粗糙干预下识别潜在因果因素的变化。通过提出了一种新的识别方法，证明在标准假设下可以准确识别移位节点，从而为因果推断提供了更灵活的条件和潜在影响。
本研究解决了从混合的干预和观察数据中剥离因果关系的挑战，特别是在存在高斯加性噪声的线性结构方程模型中。本文提出了一种新颖的方法，通过干预数据的多样性，有效恢复混合数据中的各个组成部分，并表明所需样本复杂性与干预对变量值变化的程度成反比，从而帮助识别因果图的干预马尔可夫等价类。