本研究提出了因果贝叶斯优化（CBO）的形式化，开发了图无关因果贝叶斯优化（GACBO）算法，能够主动发现因果结构，并首次在未知图中研究累积遗憾目标，实验结果优于基线方法。

我们提出了一个协同边缘智能框架，帮助边缘设备实现性能目标，加速适应过程。通过合作，设备在视频流媒体中提升服务质量和用户体验。实验表明，设备经过十轮训练即可实现目标，因果结构可解释。即使设备类型未知，新设备也能使用现有模型。负载重新平衡后，网络故障恢复显著。

本文调查了LLM在因果发现任务中的应用，回顾了现有的LLM利用方法，并强调了其在推断因果结构中的创新使用。分析揭示了LLM在增强传统CD方法和作为不完善专家方面的优势和潜力，同时也揭示了当前实践中的挑战和限制。未来研究方向旨在发挥LLM在因果研究中的全部潜力。

该研究结合临床专业知识与算法，研究了败血症潜在原因的因果结构，发现慢阻肺、酒精依赖和糖尿病等风险因素增加患者患败血症的可能性，对政策具有潜在影响。模型预测准确度约为70%，AUC为80%。

本文调查了LLM在因果发现任务中的应用，回顾比较了现有的LLM利用方法，并强调了它们在推断因果结构中的创新使用。分析揭示了LLM在增强传统方法和作为不完善专家方面的优势和潜力，同时也揭示了当前实践中的挑战和限制。提出了未来研究方向，为LLM在因果研究中的潜力奠定了基础。

本研究提出了一种基于干预实验数据的本地方法，用于学习线性高斯多叉树的因果结构，能快速且准确地处理大规模问题。

本文介绍了一种贝叶斯方法，用于学习因果贝叶斯网络。该方法已应用于基于ALARM网络的混合实验数据，预测因果结构和估计因果参数。

本文研究了在有限预算内优化昂贵的灰箱目标函数的问题，考虑了已知的设计变量间的因果结构的副信息。通过公式化观测干预权衡为最优停止问题，得到了有效解决方案。实验证明该方法能够增强现有算法。