利用 Functional Linear Non-Gaussian Acyclic Model（Func-LiNGAM）扩展线性非高斯无环模型（LiNGAM）的概念，以应对涉及功能性磁共振成像和脑电图数据的大脑有效连接任务中的因果关系识别问题。在理论和实证角度上，我们对非高斯随机向量和无限维希尔伯特空间中甚至随机函数之间的因果关系可辨识性建立了理论保证。通过优化向量的坐标使用功能主成分分析，我们解决了内在无限维度功能性数据中离散时间点的稀疏性问题。在合成数据方面的实验结果验证了该框架利用观测样本能够识别多变量函数之间的因果关系。而在真实数据方面，我们专注于分析来自 fMRI 数据的脑连接模式。

Jan, 2024

本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

Jan, 2011

研究在具有潜在变量的线性非高斯无环模型 (LiNGAM) 中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况，对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化，并提出了有效的算法来验证图形条件。最后，提出了重建独立成分分析 (RICA) 算法的改进版本，该算法可从观测数据中估计因果效应，并通过实验证明了所提方法估计因果效应的有效性。

Jun, 2024

本篇论文通过 IC​​A 方法，利用连续观测数据，发现了线性非高斯的因果结构模型 (LiNGAM-SEM)。该 LiNGAM 发现算法所输出的 SEM 分布等价类在大样本情况下是种群分布，并提出了仅有其中一个 SEM 稳定的充分条件。

Jun, 2012

通过将现有的因果发现方法进行高效并行化，可以使它们适用于数千个维度的数据集，从而解决了基于组合优化或搜索的现有方法在大规模数据集上运行速度慢的问题。具体地，我们并行化了 LiNGAM 方法，并加速其中的因果排序子过程，实现了与现有顺序实现相比高达 32 倍的加速，从而使其在大规模基因表达数据和美国股票数据的因果推断和因果发现中表现出与专门的连续优化方法相媲美的结果。

Mar, 2024

通过引入 LiNGAM-MMI 方法，该论文增强了 LiNGAM 模型，使用 KL 散度量化混淆的大小并按照最小化其影响的方式排列变量，实现全局最优的变量顺序，同时在有和无混淆的情况下以与传统 LiNGAM 相同的高效性处理数据。

Jan, 2024

本论文提出了一种新的基于统计估计的带有两个部分的框架，通过使用 moralized 图在 DAGs 中选择最佳得分的图。

Nov, 2013

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

本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

Mar, 2024

本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法 NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

Apr, 2023