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

本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

Nov, 2022

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

通过引入一组新的结构相似度度量方法，并有效利用不同层次结构相似性的辅助 DAG 信息，我们提出了一种传输 DAG 学习框架，理论分析和大量实验结果表明，在目标研究中的 DAG 重建方面取得了显著的改进，即使没有任何辅助 DAG 与目标 DAG 完全相似，这与大多数现有的传输学习方法形成鲜明对比。该方法的优势也得到了在合成数据和多站点脑功能连接网络数据上的广泛实验支持。

Oct, 2023

研究通过混合因果模型来获得分布，并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。

Jan, 2020

本研究研究了有向无环图在表示条件独立关系方面的作用，提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外，研究还表明 DAG 所显示的依赖关系是相一致的。

Mar, 2013

本研究提出了一个基于深度神经网络的框架，dGAP，通过同时学习神经依赖图和优化具有结构感知目标预测，来建立特征关系的模型，提高了预测的准确性，可以实现特征关系的解析，适用于多种数据集。

Mar, 2021

本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。

Jun, 2024

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

我们开发了一种新颖的卷积结构，专门用于从有向无环图 (DAGs) 的数据中学习。通过 DAGs，我们可以建模变量之间的因果关系，但它们的幂零邻接矩阵给开发 DAG 信号处理和机器学习工具带来了独特挑战。为了解决这个限制，我们利用了近期的进展，提供了 DAG 上信号的因果转变和卷积的备选定义。我们开发了一种新颖的卷积图神经网络，集成了可学习的 DAG 滤波器，以考虑图拓扑引起的部分排序，从而为学习 DAG 支持数据的有效表示提供了有价值的归纳偏见。我们讨论了所提出的 DAG 卷积网络（DCN）的显著优势和潜在限制，并使用合成数据在两个学习任务中评估其性能：网络扩散估计和源识别。DCN 相对于几个基线表现出有利的比较，展示了它的潜力。

May, 2024