本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

Apr, 2023

本文提供了得分匹配（Score-Matching）及其在因果发现中的应用的统计样本复杂性界限。我们证明了通过使用随机梯度下降训练标准的深度 ReLU 神经网络可以实现对得分函数的准确估计。我们建立了在得分匹配方法中基于 Rolland 等人 [2022] 的因果发现方法中恢复因果关系的错误率的界限，假设得分函数的估计足够好。最后，我们分析了得分匹配估计在基于得分的生成建模中的上界，这在因果发现领域中既有独立的兴趣，又有独立的生成模型。

Oct, 2023

本研究针对模拟的有向无环图模型，发现可以通过增加噪声来影响结构学习算法。引入 VarSortability 作为评估指标，探讨边缘方差与因果关系之间的关联性。结果表明，在一些连续结构学习算法中，高的 varsortability 能匹配一些基本的基线方法。然而，这种性能可能不会转移至真实世界的数据，因为 varsortability 可能很中庸或取决于测量尺度的选择。

Feb, 2021

本文介绍了如何通过观测非线性加性高斯噪声模型对数似然函数的二阶导数来发现整个因果图，利用可扩展的机器学习方法来逼近得分函数，扩展了 Rolland 等人的工作，仅从得分中恢复拓扑顺序并要求昂贵的修剪步骤，从而导致 DAS (Discovery At Scale) 算法，这是一个实用的算法，可以将修剪的复杂性降低到与图形大小成比例的因子。在实践中，DAS 算法可以实现与当前最先进的技术相当的准确性，而速度则快了一个数量级。总的来说，我们的方法实现了基于原则且可扩展的因果推断，显着降低了计算门槛。

Apr, 2023

提出了一种新颖的训练基于分数的生成模型的方法，通过非线性加噪动力学改进结构化分布的学习，从而使其更好地适应数据，在数据预处理步骤中获取结构并引入了两种方法解决非线性动力学训练带来的挑战，展示了该方法在几个示例上的有效性。

May, 2024

本研究提出了一种新的分数匹配方法，即 sliced score matching，该方法仅涉及 Hessian-vector product，在更复杂的模型和高维数据上具有良好的鲁棒性和可扩展性，并可用于学习深层次的隐式分布模型和训练 Wasserstein Auto-Encoders 模型。

May, 2019

本研究对观测因果发现方法的实证表现进行了广泛的基准测试，发现基于分数匹配的方法在具有挑战性的情景中推断图的假阳性和假阴性率方面表现出令人惊讶的性能，并提供了理论洞察。该研究还首次尝试基于超参数值评估因果发现算法的稳定性。希望这篇论文能够为因果发现方法的评估树立新标准，并成为对该领域感兴趣的实践者的可访问入口，突出了不同算法选择的实证影响。

Oct, 2023

本文介绍了 SURE-Score， 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法，演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。

May, 2023

本文设计了一种合成数据集生成器，用于生成能够在生成时间发现变量之间非线性因果关系的表格数据的合成数据集，并根据在常见模式中有效检索的特征限制因果发现，通过广泛的实验表明所提出的方法的有效性。

Jan, 2023

通过对分数函数的规范分析，我们发现分数模型中存在线性结构，从而能够精确预测初始扩散轨迹并加速图像采样 15-30%，对模型设计和数据预处理具有重要意义。

Nov, 2023