本文回顾了两组单变量因果发现的方法：加性噪声方法（ANM）和信息几何因果推断（IGCI）。作者呈现了一项由各个领域（如，气象学、生物学、医学、工程、经济学等）37个数据集中选择的100个不同因果对的数据基准，这些方法在真实世界基准数据上的实证结果表明，某些方法确实能够仅使用纯观测数据区分原因和效应。

Dec, 2014

提出了一种级联非线性加性噪声模型，可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。

May, 2019

本研究针对非平稳时间序列的因果关系发现和预测问题，提出了一种基于状态空间模型的方法，利用非平稳的性质来确定因果结构，将预测问题视为因果模型的贝叶斯推断问题，并在合成数据和真实数据集上进行了实验验证。

May, 2019

本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试, 这些非参数规则可以广泛适用于大量结构因果模型。

May, 2023

通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

May, 2023

提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。

Jun, 2023

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

Causal Pretraining explores supervised learning to discover causal relationships from time series data, demonstrating that performance increases with data and model size and suggesting the potential for a foundation model for causal discovery.

Feb, 2024

在观测数据中存在未观测共同原因的因果关系发现是一个关键且具有挑战性的问题，本论文通过扩展CLOUD方法来处理不同类型的数据，通过理论分析和广泛实验证明CLOUD在模型选择和推断因果关系方面优于现有方法。

Mar, 2024

本研究解决了在复杂系统中存在不可见混淆因素时因果推断的难题。我们提出了一种新方法（CIC方法），通过延迟嵌入空间中的正交分解定理，克服了隐性混淆因素的挑战，从而有效推断动态因果关系，并重建不可见混淆因素。实验结果表明，该方法在重建真实生物网络方面表现出色，即使在未观察到的混淆因素存在的情况下。

Aug, 2024