多粒度因果结构学习
迭代式 LLM 监督 CSL（ILS-CSL）框架通过将基于 LLM 的因果推理与 CSL 相结合，并从 LLM 中获得反馈，从而改进了因果有向无环图（DAG）的学习，提供了更强效的因果发现方法，并在八个真实世界数据集上的综合评估中表现出优越的性能，展示了其推动因果发现领域进步的潜力。
Nov, 2023
本文提出了一种基于梯度的方法，将组合结构学习问题转化为连续优化问题，并进一步应用于图自编码器框架中，以应用于非线性结构方程模型以及向量值变量的因果结构学习。作者在合成数据集上进行了实验，结果表明这种方法在大型因果图中明显优于其他基于梯度的方法，而且在图的规模扩大时，方法的可扩展性和效率表现均表现良好。
Nov, 2019
本文提出了一种深度神经体系结构，结合经验数据和先前的因果知识，从而学习变量之间的因果关系，并通过卷积和图神经网络在因果风险框架内提供了一种灵活和可扩展的方法，Empirical results include linear and nonlinear simulations (where the underlying causal structures are known and can be directly compared against)，特别的，在生物医学领域的实验验证结果表明，深度学习方法能够应用于学习包含数千个变量的大规模问题中的因果网络
Dec, 2022
该论文提出了一种基于变量的祖先关系分组的新算法 CAG，通过分组变量减少计算量和提高估计准确性，特别是在样本量相对较小且模型稀疏的情况下，在计算时间和估计准确性方面优于原始的直接 LiNGAM 方法和其他分治算法。
Mar, 2024
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。
May, 2022
本文提出了一种能学习到只包含和我们感兴趣的结果相关的因果相关变量的必要和充分因果图（NSCG）的方法，该方法使用了因果关系的概率。我们开发了一个基于分数的算法来学习 NSCG，并在模拟和真实数据的实证研究中展示了该算法的性能优于现有算法，并能揭示对于目标可遗传特征非常重要的酵母基因。
Jan, 2023
通过构建可理解的变量和包含高级因果发现技术的自动学习任务级因果关系，HG-SCM 可以模拟人类感知和决策过程。在实证数据集上与七种基线模型进行比较后，HG-SCM 取得了最高的平均性能排名和最小的标准差，充分证明了其在预测能力和推广性方面的有效性和优越性，并且所自动学习的三个任务的因果图可视化和分析与领域知识和人类认知相吻合，展示出了其卓越的可解释性。HG-SCM 的类人特性以及增强的推广性和可解释性使其成为在透明度和可信度至关重要的特殊场景中具有潜力的解决方案。
Dec, 2023
本文介绍了一种基于 VAE 的框架，以合理的方式共同学习相关异质动态系统中的 Ganger 因果关系，从而提取嵌入在这些系统中的共享公共结构，并识别个体系统中的特质。该方法在多个合成数据设置上进行评估，并与用于学习单个系统的现有方法进行基准比较。该方法还在涉及神经生理学实验的时间序列数据的真实数据集上进行了说明，并产生了可解释的结果。
Feb, 2024
通过结合基于排序的 MCMC 算法和类似于有向无环图模型的稀疏性假设，我们提出了一种可扩展学习特定背景模型的混合算法，该算法在测试约束数量与标准有向无环图模型学习算法相同的情况下适用于数百个变量，并且经过合成数据和真实世界例子的实验证明，无论是准确性还是可扩展性都表现良好。
Feb, 2024