本文提出了Bayesian Causal Discovery Nets(BCD Nets)，它是一个用于估计线性-Gaussian SEM中描述一个DAG的概率分布的变分推理框架。本框架采用了连续松弛，适当的先验分布以及表达力强的变分族等重要设计，旨在解决实际情况下对潜在图进行的不确定性估计问题。最终实验表明，与基于最大似然的方法相比，BCD Nets在低数据环境下的结构Hamming距离等标准因果分析评估指标上表现更好。

Dec, 2021

提出了一种利用扩散概率模型的拓扑序算法(DiffAN)来进行因果发现，可以在提供准确有限子集的情况下更新学习到的海森矩阵，并且得到了更高的可扩展性，可以处理高达500个节点和10^5个样本数据集，并表现出与最先进的因果发现方法相当的性能。

Oct, 2022

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

本研究提出了一种利用知识约束来指导因果关系探索的新方法，该方法称为KGS，通过使用观察数据和结构先验（因果边缘）对因果图进行约束学习，并在合成和基准真实世界数据集中广泛评估KGS。实验结果表明，任何类型和数量的结构先验都有助于改善探索过程的性能和早期收敛。

Apr, 2023

通过研究自适应干预下的因果图发现，提出了一种新的基准，捕捉任何搜索算法的最坏干预成本，并提出了在各种设置下实现对数逼近的自适应搜索算法。

May, 2023

我们提出了一种名为OCDaf的新型基于顺序的方法，用于从观测数据中学习因果图，并在多元异方差噪声模型中建立了因果图的可辨识性，通过连续搜索算法寻找因果结构，实验结果在Sachs和SynTReN基准测试中表现出了最先进的性能，并且在各种参数和非参数合成数据集上验证了可辨识性理论，展示了与现有基线方法相比的优越性能。

Aug, 2023

基于观察数据的因果推断核心是确定可靠的因果图。本文研究表明，仅凭因果顺序而非完整图信息便足以进行因果效应推断。同时，我们利用大型语言模型（LLMs）作为虚拟领域专家，提出了一种从LLMs中获取因果顺序的鲁棒技术。实验证明，与传统的发现算法相比，我们的方法显著提高了因果顺序的准确性，突显了LLMs在各个领域增强因果推断的潜力。

Oct, 2023

评估因果发现算法学习到的图形是困难的：两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架，其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的距离以及对已完成的部分有向无环图和因果顺序的扩展。我们开发了多项式时间可达性算法以高效地计算距离。在我们的包 gadjid（开源网址如上所示），我们提供了距离的实现；它们的速度比结构干预距离快几个数量级，从而为可扩展到以前禁止的图形规模的因果发现提供了成功度量。

Feb, 2024

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

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