本研究提出主动因果结构学习与潜变量（ACSLWL）方法，旨在帮助AGI代理和机器人在动态环境中学习因果模型，从而提升其应对新环境的能力，实现更高效的决策与行动。

本文研究了在进行非自适应实验时的因果结构学习问题。通过优化问题，寻找最佳干预目标集，最大化解决方向的边的平均数量。证明了目标函数是子模的，并且贪心算法可以实现最优值的(1-1/e)逼近。提出了一种加速的贪心算法变体，可以实现数量级的性能加速。在合成和真实图上验证了方法，结果表明，通过较少的干预，大部分边可以定向。

本文介绍了一种新的在线广告营销组合模型（MMM），可以预测品牌店的总成交量（GMV），并帮助决策者调整广告渠道的预算分配。该模型集成了Granger因果性和变分推断框架，可以自动发现可解释的因果结构，并产生更准确的GMV预测。实验结果表明，该模型在因果结构学习和GMV预测方面有显著改进。

本文研究了线性系统中存在测量误差时的因果推断问题，通过确定混合矩阵的情况下，发现与存在未观察到的无父原因的因果推断问题有联系。作者提出了因果结构学习方法，并在合成数据上评估了性能。