我们为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，该标准可被视为 Robins（1986）g - 公式的推广。我们进一步获得了截断因式分解公式（Pearl，2009）的推广，并将我们的标准与 Perković等人的广义调整标准（2017）进行了比较，后者对于因果识别是充分的，但不是必要的。

Oct, 2019

本文介绍一种新型的算法 ——Meek 函数，在解决多个 Causal Orientation Learning 问题方面具有显著的优势，同时提出一种基于动态规划的方法应用 Meek 函数，并据此推导了结果干预引起的边缘序数和一种校验有向边属于因果图的方法，实验结果表明这种方法在多个因果发现任务中具有更高的时间性能。

May, 2022

通过利用部分因果顺序，本文提出了一种通用的估计框架来学习有向无环图的结构，并提供了低维和高维问题的高效估计算法。

Mar, 2024

本文新增一套足以构建所有最大祖先图的马尔科夫等价类的公共尾巴箭头的定向规则，并提供了一组定向规则，用于识别马尔科夫等价类的公共性，特别是对于因果推断的实用性。

Jun, 2012

使用置换的贪心方法，基于一个置换多面体中的边图，在有限多步内，找到了一个对应于支配生成有向无环图原则的图结构的稀疏最小置换，该方法成功应用于有向无环图的生成。

Feb, 2017

本文介绍了使用 Pearl 和 Verma 的等价标准确定的 ADGs 模型的等价类的枚举程序，分析了模型的各种属性，并且发现了等效类数量与 ADGs 数量之间的一个近似 0.267 的渐进比率。

Jan, 2013

本文提出了一种新方法 —— 称作直接因果子句（DCC）来表述所有类型的因果背景知识，分析因果背景知识的一致性、等价性，任何因果背景知识集合都可分解成一个因果 MPDAG 和一个最小剩余 DCC 集合，并提供了用于检查一致性、等价性和查找分解的多项式算法。最后，作者们还发现，因果效应的可鉴定性仅取决于分解后的 MPDAG。

Jul, 2022

本研究提出了针对因果有向无环图（DAGs）的干预设计的通用下限，并基于有向团树将 DAG 分解成可独立定向的组件，从而证明在任何 EC 中定向任何 DAG 所需的单节点干预数至少是每个基本图的链组件中最大团大小的一半的总和。另外，我们还提出了一个两阶段干预设计算法，其性能符合以最大团个数的对数乘性为界限的最优干预数，并通过合成实验验证了我们的算法可以比大多数相关工作处理更大的图形并且获得更好的最坏情况性能。

Nov, 2020

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

本文针对贝叶斯网络基于评分函数加搜索过程的局部搜索方法进行了改进，提出了一种利用有限无向结构图进行搜索的新的局部搜索方法，避免了在 DAG 空间中做出早期决策，减少了搜索空间的配置数量，提高了效率，同时在多个测试问题上验证了这种方法的优越性。

Jun, 2011