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

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

本文将有向无环图（DAGs）上的马尔可夫等价性的概念扩展到多重干预实验的干预性分布，给出两个 DAGs 在干预下等价的图理论标准，并且提出干预性本质图的概念，揭示了在干预性分布情况下因果模型识别过程的关键见解，最后基于这些见解，构建出一种新的算法来从干预性数据中进行结构学习，并进行了模拟研究。

Apr, 2011

本文提出了一种用于计算标记等价类中 DAG 数量的技术，并显示在有限制图案下，所提出的算法是多项式时间的。此技术可用于均匀采样来枚举等价类中的 DAG，并可用于因果实验设计和估计联合干预的因果效应。

Feb, 2018

该研究讨论了如何通过观察子系统来推断一个未知的大系统中的公共祖先，使用了信息论不等式来量化观察结果中的依赖关系，将多变量情况下的 Reichenbach 原理推广到因果解释的有向无环图中，并考虑了非概率观察结果的情况。

Oct, 2010

在推断贝叶斯网络结构（有向无环图，DAG）的背景下，我们设计了一种非可逆连续时间马尔可夫链，称为 “因果 Zig-Zag 采样器”，该采样器针对一类观测等效（Markov 等价）DAG 的概率分布。这些类别以完成的部分有向无环图（CPDAG）表示。非可逆马尔可夫链依赖于 Chickering 的贪婪等价搜索（GES）中使用的操作符，并以动量变量进行了改进，从实证结果上显示其混合效果显著。可能的目标分布包括基于 DAG 先验和 Markov 等价似然的后验分布。我们提供了一种高效的实现，其中我们开发了新的算法来列出、计数、均匀采样和应用 GES 操作符的可能移动，所有这些都显著改进了现有技术水平。

Oct, 2023

该研究介绍了一种叫做 “集群有向无环图（Cluster DAGs）” 的新型图形建模工具，其可以基于有限的先验知识提供变量之间关系的部分规范，从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下，本研究还开发了基于 “Pearl's Causal Hierarchy” 的各层级的变量集聚进行推理的方法，并验证了 C-DAGs 的有效性。

Feb, 2022

本文提出了贝叶斯因果推断的方法，其中用到了 MCMC 方法来进行图结构的采样，并得到了线性高斯 DAG 模型的因果效应估计。

Sep, 2020

给定一个无向图 G 作为输入，本文通过给出一个以树宽和图 G 的最大度数为参数的固定参数可行算法，为解决如何计算具有相同骨架 G 的不同 Markov 等价类的问题取得了进展。

Oct, 2023

提出了一种线性时间延迟算法，用于枚举由 Meek 和 Chickering 规则产生的马尔可夫等价类中的有向无环图，并在实验中评估其有效性，同时向马尔可夫等价本身提供了新的见解。

Jan, 2023