具有收敛性和最优性保证的图模型干预因果结构发现
本文介绍了第一种可进行大样本因果关系可靠识别的计算可行的基于分数的算法，允许存在未观测到的共同原因，并基于从观测数据中学习的贝叶斯网络结构来识别所谓的Y子结构，从而无需为存在未观察到的共同原因的因果结构分配分数。
Jun, 2012
介绍了一种基于AIT的方法，可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式，并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introduced to quickly identify the underlying causal structure of the data-generating process, which is applicable for both discrete and continuous optimization formulations of learning the underlying directed acyclic graph from data, and demonstrates superior performance on multiple benchmarks from simulated to real-world data.)
Sep, 2021
本文提出将Bayesian因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。
Mar, 2022
本研究使用最优传递（OT）来研究从数据中学习因果结构的问题，提供了一种基于下三角单调参数传输映射的约束方法来设计对噪声分布无偏置的条件独立性检验，还提供了一种可以处理潜在变量的因果发现算法，并使用一种新方法来定义分数，与现有技术进行了实验结果比较。
May, 2023
使用可观测数据和干预数据推断单个因果结构的可伸缩结构学习框架，能够直接估计外生误差结构，绕过了循环估计问题，并在大型随机DAG的各种模拟中优于现有方法。最后，证明了该框架是真正DAG的可证估计器。
May, 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
使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。
Nov, 2023
采用线性因果模型的线性抽象函数，本研究首先确定了低级系数和抽象函数如何决定高级系数，以及高级模型如何约束低级变量的因果顺序；然后，通过观测数据学习了高级和低级因果模型及其抽象函数，并提出了一种名为Abs-LiNGAM的方法，利用所学高级模型和抽象函数所引导的约束，加快了更大规模低级模型的恢复过程，假设产生噪声项为非高斯分布；通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。
Jun, 2024