本文提出了一种基于优化问题的连续方法，来解决结构学习问题，避免了组合约束，并有效地提高算法效率。该方法在没有强加任何结构假设的情况下，优于其它现有方法。

Mar, 2018

本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

Nov, 2022

本文提出了一种基于得分的方法，利用神经网络在连续约束优化理论的基础上，允许处理变量之间的非线性关系，用于学习有向无环图，相对于其他连续优化方法，这种方法在很多任务上表现更好，在因果推断的重要度量上与现有的贪婪搜索方法相比具有竞争力。在合成存储和真实世界数据集上进行了试验。

Jun, 2019

本文提出了一种针对大参数空间和稀疏结构难以搜索的问题的极大化惩罚似然方法，该模型将一个节点的条件分布模型化为多元逻辑回归，通过使用组规范惩罚来获得稀疏的有向无环图。应用该方法得出结果表明其在建立因果关系的有向图方面比现有方法具有更高的效率。

Mar, 2014

本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

Jan, 2021

通过将上下文特征映射到加权邻接矩阵上的有向无环图（DAG），并利用具有新颖投影层的神经网络，我们提出了一种处理上下文 DAG 问题的方法，该方法确保输出矩阵稀疏并满足无环性质的最近发展算法，并为学习上下文 DAG 提供了可伸缩的计算框架，同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明，这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。

Oct, 2023

利用一种基于得分的方法来解决动态贝叶斯网络中的结构学习问题，该方法同时估计时间序列中变量之间的同步和时间滞后关系，并且在模拟数据和真实数据方面都具有较高的准确性和可扩展性，特别适用于需要学习变量间时间关系的多个问题。

Feb, 2020

使用可观测数据和干预数据推断单个因果结构的可伸缩结构学习框架，能够直接估计外生误差结构，绕过了循环估计问题，并在大型随机 DAG 的各种模拟中优于现有方法。最后，证明了该框架是真正 DAG 的可证估计器。

May, 2023

通过引入可变自动编码器的图神经网络模型，本文提出了一个生成模型，这个模型可以自然地处理离散和向量值变量，并通过在合成数据和基准数据集上进行实验，证明了方法的准确性和效果。

Apr, 2019

提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

Mar, 2018