本篇论文通过IC​​A方法，利用连续观测数据，发现了线性非高斯的因果结构模型(LiNGAM-SEM)。该LiNGAM发现算法所输出的SEM分布等价类在大样本情况下是种群分布，并提出了仅有其中一个SEM稳定的充分条件。

Jun, 2012

本研究提出了一种可以用于高维附加结构方程模型的估计方法，并建立了估计量的一致性，同时还开发了一种计算算法来处理许多变量，并通过模拟和实际数据验证方法的准确性和性能。

Oct, 2013

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

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

本文研究因果关系发现方法，特别是用于非线性模型和高斯噪声假设的方法。提出了一种新的算法NoGAM，可以在最少的前提条件下发现因果关系，并在合成数据上进行了实验基准测试。

Apr, 2023

本文介绍了如何通过观测非线性加性高斯噪声模型对数似然函数的二阶导数来发现整个因果图，利用可扩展的机器学习方法来逼近得分函数，扩展了 Rolland 等人的工作，仅从得分中恢复拓扑顺序并要求昂贵的修剪步骤，从而导致 DAS (Discovery At Scale) 算法，这是一个实用的算法，可以将修剪的复杂性降低到与图形大小成比例的因子。在实践中，DAS 算法可以实现与当前最先进的技术相当的准确性，而速度则快了一个数量级。总的来说，我们的方法实现了基于原则且可扩展的因果推断，显着降低了计算门槛。

Apr, 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

我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型(SEMs)，重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数，并建立了一些必要条件，以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升在满足这些条件的同时，提供了一个一致的因果顺序得分函数。为了解决高维数据集带来的挑战，我们通过分量梯度下降在加法SEMs空间进行了适应。我们的模拟研究验证了我们在低维度下的理论结果，并证明我们的高维适应与最先进的方法相竞争。此外，它对超参数的选择表现出鲁棒性，使得该方法易于调整。

Jan, 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

在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。

May, 2024