学习未知因果干预的混合模型
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
研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性
Jun, 2023
本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。
Jun, 2023
我们研究了在具有多个环境收集的异构数据的结构因果模型中，识别未知干预目标的问题。我们提出了一个两阶段方法，第一阶段恢复了在环境之间分布发生变化的未知干预目标对应的外源性噪声，第二阶段将恢复的噪声与相应的内源性变量进行匹配。在有潜在混淆因素存在的情况下，观察到的变量中的干预目标无法确定唯一。我们提供了一个候选干预目标集，它是真实干预目标集的超集。我们的方法改进了现有方法，返回的候选集始终是以前的工作返回的目标集的子集。此外，我们不需要诸如因果模型的线性性或执行不变性测试等限制性假设，以了解分布是否在环境之间发生变化，这可能会导致样本效率低下。我们的实验结果显示了我们提出的算法的有效性。
Dec, 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
通过干预来学习混合因果模型中变量之间的因果关系是一项具有挑战性的任务，本文提出了匹配性的必要和充分条件以及一种自适应算法，用于学习混合因果模型中的所有真实边，具有最佳干预效果并在混合模型不包含循环关系时尺寸最小。
Jun, 2024
本研究解决了因果解缠中的一个关键问题，即如何仅凭观测数据识别潜在因果因素。作者提出了一种新的方法，通过在非线性因果模型中对潜在变量进行精确表征，不需要进行干预。这一理论成果转化为实用算法，并通过模拟结果验证，其在仅使用观测数据时能够生成有意义的因果表示。
Oct, 2024