使用置换的贪心方法，基于一个置换多面体中的边图，在有限多步内，找到了一个对应于支配生成有向无环图原则的图结构的稀疏最小置换，该方法成功应用于有向无环图的生成。

Feb, 2017

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

该研究提出并评估了一种从完整数据学习贝叶斯网络的 k 贪婪等价搜索算法（KES），其主要特点在于允许贪婪性和随机性之间的权衡，从而探索不同的好的局部最优解。实验结果表明，KES 经常比贪婪等价搜索算法（GES）找到更好的局部最优解。

Oct, 2012

本文通过对贪心贝叶斯网络搜索算法的优化结果派生，研究了单边缘修改和渐近一致性评分标准。我们放宽了 Meek（1997）和 Chickering（2002）的生成分布假设，并仅假定这个分布在可观测变量上满足组合性质，从而保证了搜索算法可以识别一个包含生成分布的一流模型。

Dec, 2012

本文将有向无环图（DAGs）上的马尔可夫等价性的概念扩展到多重干预实验的干预性分布，给出两个 DAGs 在干预下等价的图理论标准，并且提出干预性本质图的概念，揭示了在干预性分布情况下因果模型识别过程的关键见解，最后基于这些见解，构建出一种新的算法来从干预性数据中进行结构学习，并进行了模拟研究。

Apr, 2011

在推断贝叶斯网络结构（有向无环图，DAG）的背景下，我们设计了一种非可逆连续时间马尔可夫链，称为 “因果 Zig-Zag 采样器”，该采样器针对一类观测等效（Markov 等价）DAG 的概率分布。这些类别以完成的部分有向无环图（CPDAG）表示。非可逆马尔可夫链依赖于 Chickering 的贪婪等价搜索（GES）中使用的操作符，并以动量变量进行了改进，从实证结果上显示其混合效果显著。可能的目标分布包括基于 DAG 先验和 Markov 等价似然的后验分布。我们提供了一种高效的实现，其中我们开发了新的算法来列出、计数、均匀采样和应用 GES 操作符的可能移动，所有这些都显著改进了现有技术水平。

Oct, 2023

本文探讨了在高维场景下，从样本中学习成对图模型的结构问题。我们首先讨论了向前向后贪心算法在一般统计模型中应用的稀疏性一致性（稀疏模式恢复）特性。然后，我们将此算法特化到通过邻域估计学习离散图模型的结构问题上。我们的结果保证了样本数 n 随着问题规模 p 的增加而缩放，并且算法仅需要具有受限强凸性条件，这通常比不可表示性假设容易得多。

Jul, 2011

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

本文介绍了贝叶斯网络学习的主要方法，包括约束 - based 方法、得分 - based 方法和混合方法。作者提出了一种新的基于贪心等价搜索（GES）的混合方法，并证明了它的一致性。在模拟研究中表明，这种方法相较于 PC 算法，具有更好的性能。

Jul, 2015

本文提出了一种用于计算标记等价类中 DAG 数量的技术，并显示在有限制图案下，所提出的算法是多项式时间的。此技术可用于均匀采样来枚举等价类中的 DAG，并可用于因果实验设计和估计联合干预的因果效应。

Feb, 2018