本文提出了一种形式化的特定背景下独立性的概念，可用于树形概率表的定量表示，并探讨了如何运用它来支持有效的推理算法。

Feb, 2013

本文探讨了在知晓 CSI 关系的前提下，因果模仿学习的可能性和实现的算法。文中证明，CSI 关系下的模仿学习的可行性是 NP 难的，同时提出了一种结构假设下因果模仿学习的必要图形标准，并证明了这个标准是充分的。最后，提出了一种考虑 CSI 关系和数据的因果模仿学习的算法。

Jun, 2023

本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示，名为因果一致分区图（CCPG），它由顶点的一个分区和在其组件上定义的有向图组成，并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下，通过多项式数量的测试，提供了首个有效的还原真实因果图的算法。

Jun, 2024

本文提出了一种基于算法独立性的、使用随机复杂性解决离散数据条件互信息估计问题的测试方法 SCI，此方法可以在有限的样本上找到合理的 CMI 阈值。实验证明 SCI 比常规测试具有更低的 II 类错误和更高的召回率，可应用于因果发现算法中。

Mar, 2019

本文介绍了一种新的表达条件概率的方式，利用了父亲背景的上下文无关性，提出了一种基于内部表现的算法。该算法可以更高效地利用在结构化信任网络中。

Jun, 2011

我们提出了一种基于不变子空间分解（ISD）的线性条件分布的新型不变性框架，将条件分布分解为一个时间不变和一个时间相关的分量，并展示了如何利用该分解进行零样本和时间适应预测任务，通过使用近似联合矩阵对角化的技术自动推断分解，并通过有限样本保证证明了该估计方法的有效性。

Apr, 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

本文提出 DCID 模型以及 ICM 评估指标， 通过实验在已知真实标签的合成数据和大脑 MRI 数据上验证 DCID 模型能够成功提取单变量目标的共享信息，并能更准确地预测大脑区域和肥胖变化。

Jun, 2023

本研究探讨如何处理因选择偏差而导致的独立性约束偏差问题，并通过独立关系的局部模式，提出了一种基于 Y-Structure 的有限样本计分规则，成功地预测了选择机制下的因果关系，并在微阵列数据上表现出色。

Mar, 2022

提出了一种基于条件互信息和局部置换方案的全非参数连续数据测试方法，能够适应强非线性相关性，表现优于基于核的测试，并在小样本和高维条件下可靠地模拟零分布。

Sep, 2017