研究了在存在潜在变量的数据中重构因果图模型的问题，提出通过将其还原为混合预言机来确定潜在表示和潜在因果模型，从而揭示了混合模型顺序学习和可观测和不可观测之间的双分图结构学习问题之间的联系，并提供了几个重构完整图模型的算法。

Jun, 2021

研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性

Jun, 2023

从观察到的低级数据中揭示潜在高级因果表征是因果表征学习的目标之一，本文通过对多个环境中潜在因果变量之间因果影响的变化进行识别性探索，扩展了潜在因果模型的范围以涉及非线性因果关系，并且提出了一种新的经验估计方法，通过理论发现为学习一致的潜在因果表征提供了可行性。

Oct, 2023

该论文研究因果关系表示学习，通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系，假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念，并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。

Nov, 2023

在非参数的因果表示学习中，通过稀疏约束和适当的因果影响条件，可以恢复有向无环图的势化图，从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。

Feb, 2024

潜在维度加性噪声模型和潜在后非线性因果模型中的分布转变在因果表示学习中发挥重要作用，能够确定因果表示的可辨识性条件，并将其转化为实际算法，从而获得可靠的潜在因果表示。

Mar, 2024

线性因果解缠是一种最近的因果表示学习方法，通过具有它们之间因果依赖关系的潜在变量来描述一组观察变量。本研究研究了线性因果解缠的可识别性，在假设对多个情境的数据有访问权限的情况下，每个情境通过对一个潜在变量进行干预来确定参数，我们给出了一个基于耦合张量分解计算参数的构造性证明。对于软干预，通过研究一组多项式方程，我们找到了与观测数据一致的潜在图和参数的等价类。我们的结果基于非零高阶累积量的存在，这意味着变量的非高斯性。

Jul, 2024

本研究解决了线性因果表示学习中关于减少环境数量和使用粗略干预的问题。我们提出了一种新颖的识别方法，可以在温和的标准假设下识别出因果图中变化的节点。研究结果表明，该方法在处理样本数据时具有实际应用潜力，并通过综合实验验证了其有效性。

Oct, 2024

本研究解决了线性因果表示学习中存在的一个关键问题，即在较少环境和粗糙干预下识别潜在因果因素的变化。通过提出了一种新的识别方法，证明在标准假设下可以准确识别移位节点，从而为因果推断提供了更灵活的条件和潜在影响。

Oct, 2024

本研究解决了从混合的干预和观察数据中剥离因果关系的挑战，特别是在存在高斯加性噪声的线性结构方程模型中。本文提出了一种新颖的方法，通过干预数据的多样性，有效恢复混合数据中的各个组成部分，并表明所需样本复杂性与干预对变量值变化的程度成反比，从而帮助识别因果图的干预马尔可夫等价类。

Oct, 2024