研究了一种正则化的基于得分的评估器族，可以从高维数据中学习多元正态分布的有向无环图（DAG）的结构，通过损失函数惩罚最小二乘估计，支持多种正则化方法，并且首次提出了在高维条件下基于得分的有向无环图结构学习的有限样本保证。

Nov, 2015

本文提出了一种基于优化问题的连续方法，来解决结构学习问题，避免了组合约束，并有效地提高算法效率。该方法在没有强加任何结构假设的情况下，优于其它现有方法。

Mar, 2018

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

通过研究稀疏性和DAG约束的渐近作用，提出了一种基于类似似然函数的求解DAG约束的无约束优化方法，该方法能够在处理成千上万个节点时仍然保持高精度。实验证明，该方法比使用最小二乘法和硬DAG约束的方法更加有效。

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

提出了一种新的算法, 从线性结构方程模型（SEM）生成的数据中学习有向无环图（DAG）。该算法证明在新设置中的可识别性，并显示与之前的DAG学习方法相比，少量有噪声的root causes能提供优异性能。

May, 2023

使用可观测数据和干预数据推断单个因果结构的可伸缩结构学习框架，能够直接估计外生误差结构，绕过了循环估计问题，并在大型随机DAG的各种模拟中优于现有方法。最后，证明了该框架是真正DAG的可证估计器。

May, 2023

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

本研究解决了有向无环图（DAG）结构学习中的优化难题，尤其是由于DAG约束的非凸性和高计算复杂度带来的挑战。通过引入一种新的随机逼近框架，该方法结合了随机梯度下降（SGD）优化技巧，并设计了高效的投影方法以确保算法能收敛到可行的局部最优解。实验结果表明，该方法在大规模问题上具有显著的计算效率和优越的表现。

Oct, 2024