本文研究了基于条件独立性的因果发现方法下的数据生成过程假设，提出了可以跨越线性函数关系的可识别的功能模型类(IFMOCs)来确定完整的因果图，并提供了实用的算法和理论实验支持。
Feb, 2012
本文研究了从观察数据中学习线性结构方程模型（SEMs）的算法问题，旨在实现计算和统计效率，解决较一般的识别问题并没有考虑“信仰”假设的情形，提供了一个高效的算法，能够在不同噪声分布的情况下恢复SEM的有向无环图结构。
Jul, 2017
本文研究线性结构方程模型，提出一种利用缺失的双向边识别模型因果参数的算法，并展示了如何组合多个缺失的环来获得唯一解。
Mar, 2022
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
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
从时域观测中识别动态因果效应，利用频域表示进行因果推断以及使用多元维纳投影进行图形重构。
Sep, 2023
从观察到的低级数据中揭示潜在高级因果表征是因果表征学习的目标之一，本文通过对多个环境中潜在因果变量之间因果影响的变化进行识别性探索，扩展了潜在因果模型的范围以涉及非线性因果关系，并且提出了一种新的经验估计方法，通过理论发现为学习一致的潜在因果表征提供了可行性。
Oct, 2023
该论文研究因果关系表示学习，通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系，假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念，并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。
Nov, 2023
本论文研究了树状结构因果模型的识别问题，提出了一个随机多项式时间算法来判断结构参数的识别性，并给出了相应参数的分数亚方根多项式表达式。
本研究解决了线性常微分方程（ODE）系统在存在隐藏混杂变量情况下的可识别性问题。通过对两个不同案例的系统分析，本文提出了在混杂变量不具因果关系和存在因果依赖的情况下的可识别性条件。研究结果表明，不同观察条件下的系统可识别性能够显著影响因果推断的可靠性。
Oct, 2024