本文根据 Kolmogorov 复杂性提取因果关系方法，利用最小描述长度原则模型比较非潜变量模型和潜变量模型，采用概率 PCA 方法寻找成因的潜在因素，在真实和合成的数据实验中表现良好，准确性与置信度相辅相成。

Jan, 2019

本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

Oct, 2019

本文提出了一种用于区分具有意义排序的集合的分类变量中因果关系的统计学方法，它被命名为统一信道模型 (UCM)，该方法基于对条件概率质量函数 (PMF) 的观察，使用统计检验来评估所提议的 UCM 是否适用，研究通过实验表明 UCM 与最近的其他同类方法比较具有竞争力。

Mar, 2023

研究了针对一些未观测到的 (离散值) 直接因素的线性切换回归模型的 MLE 的存在性、一致性和渐近正态性的充分条件，构建了一种测试工具以及一种因果发现算法，并测试发现该算法在模型违规的情况下也具有鲁棒性，且表现优于现有的方法，同时还能够对数据点进行基于过程的聚类。

Aug, 2018

本文介绍了基于广义最大似然方法的共同原因原理，研究了在因果不充分的情况下，如何处理共同原因 $C$ 无法被唯一确定的问题，并讨论了共同原因对受限制的三个变量之间的因果结构的影响。

Jun, 2023

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

该研究提出了一种方法，使用多个训练环境来生成不同干预的多个环境，并评估了基于模拟数据的不受监督的学习问题的 ICP 性能，最后与 ICP 相结合提出了改进的方法，提高了在具有多个协变量的数据集中进行因果发现的性能。

Apr, 2023

提出了一种不变因果表示学习 (iCaRL) 方法，通过利用广义指数族分布得出数据表示，可以在非线性场景中实现超出分布的泛化，并发现目标的全部直接原因，针对合成和真实数据集提出性能优于基线方法的实验结果。

Feb, 2021

寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

Aug, 2023

本文介绍了因果机器学习（CausalML）方法，该方法将数据生成过程形式化为结构性因果模型（SCM），并从因果的角度探讨了干预和反事实的影响，同时将该方法归类为五类：因果监督学习，因果生成建模，因果解释，因果公平性和因果强化学习，并比较了每种类别中的方法，包括在计算机视觉，自然语言处理和图形表示学习等不同领域的应用，提供了因果基准的概述，以及对该新兴领域现状的关键讨论和未来工作的建议。

Jun, 2022