通过不可测量变量存在的混淆系统推导不可追踪混杂图（ADMGs）的状态，从而将因果发现视为连续优化问题，并设计不同的可微过程来发现线性方程组的最佳拟合 ADMG 结构。

Oct, 2020

本文提出了一种基于精确得分的方法来学习代表一组连续变量因果关系的祖先无环定向混合图，并通过整数规划公式求解，能够有效获得优秀结果，且优于现有基准方法。

Feb, 2021

研究了无向边和有向边混合，并且无向边形成无环图的 acyclic directed mixed graphs (ADMGs) 及其概率模型，提出了一种基于简单路径判据的全局马尔科夫性标准 ——m-separation，并得到了该模型的因子分解准则及离散随机变量的参数化表示，验证了该模型的光滑性，从而证明了马尔科夫性 ADMG 模型是曲率指数族。

Jan, 2013

使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。

Nov, 2023

本文介绍了一种可以计算由混合图表示的潜在变量因果模型的干预分布的算法，这个算法可以被看作是变量消除在混合图情况下的推广，并且在混合图的广义树宽度方面呈指数级别增长。

Feb, 2012

引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。

Jan, 2024

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

借助生成流网络，利用原始信念分布比例对因果祖先图进行采样，然后通过层次变量间关系的有力实验设计，迭代地与专家互动，有效减少对因果祖先图的不确定性。通过重要性采样结合人的反馈，更新我们的样本，提高推理质量，并不需要因果充足（即可能存在未观察到的混淆变量）。实验结果表明，我们的方法能够准确地对因果祖先图的分布进行采样，并且在人类帮助下能够大大提高推理质量。

Sep, 2023

提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

Jun, 2021

研究学习因果有向无环图从观察到的联合分布，探索一种基于结构方程模型的可识别因果图的替代方法，并提供针对有限样本的实用算法和实证研究。

Sep, 2013