本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。

Feb, 2013

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

研究通过混合因果模型来获得分布，并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。

Jan, 2020

本研究提出一种名为“混淆毯原则”的结构假设，使得我们设计的因果关系推断算法能够适用于高维数据，同时保持多项式复杂度。我们演示了我们的方法在模拟和真实数据集上的运作，包括一个用于线性和非线性系统的推断过程和有限样本误差控制。

May, 2022

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

通过从观测数据中恢复有向无环图（DAG）结构来发现因果关系是一个众所周知的挑战性组合问题。本文首先提出了一种基于观测数据协方差矩阵的Cholesky分解的DAG结构恢复算法，该算法快速易实现且具有精确恢复的理论保证。在合成和真实数据集上，该算法比先前的方法明显更快，并达到了最先进的性能。此外，在等误差方差假设下，我们将优化过程纳入基于Cholesky分解的算法中以处理带有潜在变量的DAG恢复问题。数值模拟表明，修改后的“Cholesky + 优化”算法能够在大多数情况下恢复出真实图，并且优于现有算法。

Nov, 2023

通过引入新的约束条件和训练过程，我们提出了稳定可微分因果发现（SDCD）方法，以解决推断因果关系作为有向无环图（DAGs）的问题。SDCD方法在收敛速度和准确性方面优于现有方法，并可扩展到数千个变量的情况。

Nov, 2023

对稀疏线性模型中具有循环和隐藏混杂因素的因果关系进行比较研究，评估了四种因果发现技术在多个干预设置和不同数据集规模下的性能。

Jan, 2024

该论文提出了一种基于变量的祖先关系分组的新算法CAG，通过分组变量减少计算量和提高估计准确性，特别是在样本量相对较小且模型稀疏的情况下，在计算时间和估计准确性方面优于原始的直接LiNGAM方法和其他分治算法。

Mar, 2024

本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

Mar, 2024