本研究通过系统研究二元情况下的可辨识性，证明了 PNL 因果模型在大多数情况下是可辨识的，同时为其可辨识性提供了充分条件。在多于两个变量的情况下，我们通过将 PNL 因果模型应用于 Markov 等价类中的每个结构，并测试干扰是否独立于直接原因确定整个因果结构，避免了对所有可能的因果结构进行穷举搜索。

May, 2012

采用模块化结构因果模型(mSCM)，引入了sigma-connection graphs (sigma-CG)，成功实现了能够处理非线性功能关系、潜在混淆、循环因果关系和不同随机完美干预数据的因果发现算法。

Jul, 2018

提出了一种级联非线性加性噪声模型，可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。

May, 2019

本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

Oct, 2019

这篇论文探讨了利用自回归流模型进行因果推断任务，包括因果关系发现、干预预测和反事实预测，并提出了一种新的流结构来执行所有三个任务，该方法在综合数据和基准数据集上得到了有效验证。

Jul, 2020

本文介绍了自回归归一化流和可辨识因果模型之间的内在对应关系，证明归一化流模型适用于执行多种因果推理任务，从因果发现到进行干预和反事实预测。作者通过一系列实验验证了所提出的方法优于当前的因果发现方法，并可以精确地进行干预和反事实预测。

Nov, 2020

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

本研究探讨使用归一化流进行因果推理，在实验证明了基于归一化流的原因模型可以回答干预和反事实问题。

Jun, 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

利用模拟数据在因果发现领域普遍存在，本文对线性数据和非线性模型中方差的演变模式进行了研究，并引入了ScoreSort算法。通过理论和实证分析发现ScoreSort在统计效率上相较于之前的方法具有优势，认为缺乏数据多样性限制了非线性因果发现方法的评估，强调了在问题类中进行不同设置的全面测试的重要性，以及分析因果发现中的统计特性的重要性，现有研究常限于模型的可识别性条件。

Oct, 2023