通过将上下文特征映射到加权邻接矩阵上的有向无环图（DAG），并利用具有新颖投影层的神经网络，我们提出了一种处理上下文 DAG 问题的方法，该方法确保输出矩阵稀疏并满足无环性质的最近发展算法，并为学习上下文 DAG 提供了可伸缩的计算框架，同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明，这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。

Oct, 2023

通过利用有向无环图 (DAG) 因果模型的低秩假设，本文提出了一种新的方法来缓解在高维度设置中学习表示 DAG 的因果结构的问题，提供了图形条件和现有方法的适应性，并提供了经验证据支持低秩算法的实用性。

Jun, 2020

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

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

本文提出了一种基于贝叶斯网络结构学习的非参数生成模型，采用分层贝叶斯框架来捕捉变量之间的系统性关系，通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率，实验证明该方法在小样本数据集中更准确。

Jun, 2012

通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

May, 2024

提出了一种新颖的混合方法，将基于约束和 MCMC 算法的两个领域结合起来，以高效地学习贝叶斯网络的有向无环图结构，并能对后验分布进行采样，从而实现全贝叶斯模型平均。

Mar, 2018

在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

May, 2024

本文介绍了一种基于贝叶斯框架的高斯图模型确定方法，它是基于连续时间出生 - 死亡过程的转维度马尔可夫链蒙特卡罗方法。该方法易于实现，在高维图形方面具有计算可行性，验证表明该方法在收敛、图形空间中的混合和计算时间方面优于替代贝叶斯方法，并应用于基因表达研究中。

Oct, 2012

该研究提出了一种新的基于分数的算法（SP 算法）来学习贝叶斯网络或有向无环图（DAG）模型，该算法在弱于忠实性假设的条件下具有一致性保证，并且在一些小 DAG 的模拟中表现出与其他算法相比的优越性。

Jul, 2013