从数据中学习具有少量根因的有向无环图（DAG）
本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑“信仰”假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复SEM的有向无环图结构。
Jul, 2017
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
该研究开发了一个框架，可用于从数据中学习稀疏的非参数有向无环图（DAG）。该方法基于最近对DAG进行的代数描述，该描述为分数为基础的DAG模型的学习提供了一个完全连续的程序，该程序通过线性结构方程模型（SEM）进行参数化。该框架适用于各种非参数和半参数模型，包括广义线性模型（GLMs）、加性噪声模型和索引模型等特殊情况。与现有方法不同，这个方法不需要特定的建模选择、损失函数或算法，它提供了一个完全通用的框架，可应用于一般的非线性模型和一般的可微分的损失函数，以及通用的黑盒优化例程。代码可在https网址处获得。
Sep, 2019
通过利用有向无环图(DAG)因果模型的低秩假设，本文提出了一种新的方法来缓解在高维度设置中学习表示DAG的因果结构的问题，提供了图形条件和现有方法的适应性，并提供了经验证据支持低秩算法的实用性。
Jun, 2020
提出了一种新的有向无环图结构学习算法，通过在等价图势函数梯度集合中搜索来解决优化问题，并使用Hodge分解从一个初始环图中学习无环图，该方法在基准数据集上具有与基线算法相当的准确性和更高的效率。
Jun, 2021
我们提出一种新的凸得分函数，用于稀疏感知线性有向无环图（DAG）的学习，在异方差场景中通过平滑的非凸无环性惩罚项进行正则化，以实现峰值同时估计，并有效地将稀疏参数与外生噪声水平解耦，该算法在大型DAG和异质噪声水平时展现出更高的性能，且表现出增强的稳定性。
Oct, 2023
近年来对因果学习的兴趣逐渐增加。常用的因果结构表示方法，包括贝叶斯网络和结构方程模型（SEM），采用有向无环图（DAG）形式。我们提供了一种新颖的混合整数二次规划表达和相关算法，用于识别可识别的50个顶点的DAGs。我们称之为ExDAG，即精确学习DAGs的方法。尽管存在阻止循环形成的超指数个约束条件，该算法通过添加违反找到解的约束条件，而不是在每个连续值放宽中施加所有约束条件。我们的实验结果表明，在考虑高斯噪声时，ExDAG在精度方面优于当地最先进的求解器，在扩展性方面优于最先进的全局求解器。我们还提供了对其他噪声分布的验证。
Jun, 2024
本文解决了从节点观测中学习有向无环图（DAG）拓扑结构的问题，现有方法在非凸优化中面临挑战。我们提出了一种基于对数行列式的凸无环性函数的新方法，能够有效地规范边权为非负，从而保证全局最优解，并在无穷样本条件下恢复真实DAG结构。实验结果显示该算法在多个合成数据测试中性能优于现有最先进的方法。
Sep, 2024