在这篇论文中，我们介绍了一种新颖且多用途的因果发现框架，它几乎可以适用于因果网络中几乎任何地方存在的具有因果关系的隐藏变量（例如，它们可以是观测变量的效应）。通过研究秩与条件独立性的有效性，我们在理论上建立了某些潜在结构模式可辨识性的必要和充分条件。此外，我们开发了一种基于秩的潜在因果发现算法（RLCD），可以高效地定位隐藏变量，并确定它们的基数，发现包括测量和隐藏变量在内的整个因果结构。我们还证明，在某些图形条件下，RLCD 能够渐近地正确识别整个潜在因果图的马尔可夫等价类。在合成和真实的个性数据集上的实验结果证明了该方法在有限样本情况下的有效性。

Dec, 2023

本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。

Oct, 2022

本文研究了非线性潜在变量的分层因果模型的识别问题，并证明在一些缓和的假设下，可以实现因果结构和潜在变量的可识别性。

Jun, 2023

从高维数据（例如图像）中学习概念对于构建与人工智能模型相符且可解释的机器学习模型具有潜力。本研究通过将概念形式化为离散潜在因果变量，并使用嵌入在高维数据中的概念的层次因果模型来提供理论洞见与条件，以促进从无监督数据中学习这些概念的可行性。通过合成数据实验证实我们的理论观点，并讨论了对理解潜在扩散模型的潜在机制的影响，同时提供了相应的经验证据。

Jun, 2024

探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。

Nov, 2022

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

本文提出了一种非常通用的方法来学习因果模型的结构，该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环（反馈回路）和潜在变量的存在。我们的方法基于因果路径的逻辑表示，允许将相当通用的背景知识集成，推理是使用布尔满足（SAT）求解器执行的。该过程是完整的，因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息，否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况，适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。

Sep, 2013

本文考虑学习基于样本的线性随机微分方程系统的依赖结构，特别是当一些变量是潜在变量时。我们开发了一种基于凸优化的新方法来解决这个问题。针对观测变量之间的依赖关系稀疏的情况，我们理论上建立了结构恢复的高维缩放结果，并通过合成和真实数据（来自股票市场）验证了我们的理论结果。

Jun, 2011

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

本文提出了一种称作混淆分离因果发现算法（Confounding Disentanglement Causal Discovery，简称 biCD）的方法，通过使用因果强度变分模型，将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证，证明了该方法的有效性。

May, 2023