我们提出了一种基于梯度的方法来解决贝叶斯最优实验设计问题，以在批处理设置中学习因果模型。我们完全摆脱了黑盒优化技术和贪婪启发式方法，并提出了一个概念上简单的端到端梯度优化过程，以获得一组最优干预目标状态组。这种方法 outperforms 多个基线和现有获取策略，无论是在单目标还是在多目标设置下。

Feb, 2023

介绍了一种基于 AIT 的方法，可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式，并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introduced to quickly identify the underlying causal structure of the data-generating process, which is applicable for both discrete and continuous optimization formulations of learning the underlying directed acyclic graph from data, and demonstrates superior performance on multiple benchmarks from simulated to real-world data.)

Sep, 2021

针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题，本文提出一个算法来寻找干预马可夫等价类，此算法采用贪心策略在排列空间中搜索以最小化新的分数函数，同时该算法是无参数的，因此适用于非线性关系和非高斯分布的情况，性能表现已被验证。

Oct, 2019

提出一种名为 GIT 的综合方法，通过使用梯度信息和不变性转换来检测泛化错误，并将被错误分类的样本转移到神经网络的泛化区域，实验结果显示 GIT 在各种网络架构、问题设置和扰动类型上表现出卓越的性能。

Jul, 2023

本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

Jul, 2020

本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。

Mar, 2022

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

学习因果有向无环图（DAG）的问题，使用观测和干预实验数据的组合进行研究，采用贝叶斯方法从一般干预中进行因果发现，通过图形特征化和兼容先验的贝叶斯推断保证不可区分结构的分数等价性，利用马尔可夫链蒙特卡洛（MCMC）拟合 DAG、干预目标和导致的父节点集合的后验分布，最后在模拟和真实蛋白质表达数据上评估了所提出的方法。

Dec, 2023

我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。

Jun, 2024