本研究探讨了在聚类有向无环图中识别总效应的方法，特别是针对包含循环的情况。通过限制节点数量和调整d-分离概念，提出了新的图形标准，具有重要的理论和实践意义。

本研究提出了一种数据增强框架，通过打乱前提顺序和构建有向无环图，提升大型语言模型的推理性能和逻辑理解能力。

本研究提出了一种新标准和算法，解决因果效应估计中的混淆因子选择问题，重点在有向无环图（DAGs）的应用，显著提高了实际数据中的因果效应计算准确性。

本研究提出了一种新方法，解决不同层次因果模型的一致性问题，通过部分聚类有向无环图（Partial Cluster DAGs）建立图形与功能框架的联系，促进结果的转化与应用。

本研究提出了一种基于大型语言模型（LLM）的数据生成框架，能够控制因果结构。通过将语言模型与有向无环图结合，形成顺序驱动的结构性因果模型，展示了如何从观察、干预和反事实分布中进行取样。这一方法为因果推断提供了新基准，并有效检测语言模型中的因果效应。

本研究提出了一种名为LayerDAG的自回归扩散模型，成功解决了有向无环图（DAG）的生成问题，通过分解节点间的强依赖性，生成了具有优越统计特性的规模化DAG。

本文提出了一种基于优化问题的连续方法来解决有向无环图（DAG）结构学习，避免了组合约束，提高了算法效率。该方法在处理大规模节点时保持高精度，并在多个实验中优于传统算法，尤其在非凸优化情况下表现出色。未来研究应关注非等噪声方差问题，以实现更广泛的应用。

本研究提出GARLIC方法，结合层级加权有向无环图和LLM注意力机制，解决传统RAG在长文档问答中的不足。该方法在多文档问答任务中表现优异，超越现有基准，同时保持计算效率。

本文探讨了马尔科夫等价类及其在因果推断中的应用，提出了新的定向规则和算法，以提高贝叶斯网络结构学习的精度和效率。研究涵盖了有向无环图（DAG）的干预设计、最大方向性任务及其优化方法，展示了新算法在处理复杂图形时的优势。

姚期智团队提出思维图（DoT）推理框架，通过拓扑斯理论确保AI逻辑一致性。DoT将推理过程建模为单一模型内的有向无环图（DAG），简化训练和部署。框架包括提议者、批评者和总结者角色，利用自然语言批评提供反馈，捕捉人类推理复杂性。

该研究提出了多种新算法用于学习贝叶斯网络和有向无环图（DAG），包括基于分数的SP算法、ENCO方法和稳定可微分因果发现（SDCD）方法。这些方法在高维数据、非线性关系和因果推断方面表现优越，实验结果显示其在多个基准测试中优于现有技术。

本研究探讨了噪声对有向无环图模型结构学习算法的影响，提出了评估指标VarSortability，并分析了其与因果关系的关联性。研究表明，ScoreSort算法在统计效率上优于传统方法，强调数据多样性对非线性因果发现的重要性。此外，提出了内部标准结构因果模型（iSCMs）和结合条件独立性检验的因果发现方法，以提高因果推断的准确性。

本文探讨了利用有向无环图模型和深度学习方法提升车道检测精度的技术。研究表明，基于交通参与者运动模式的自动车道图注释方法在无监督情况下表现良好。采用卷积神经网络和变压器模型的创新方法显著提高了车道检测和道路网络构建的性能，展示了在自动驾驶领域的应用潜力。

本文研究如何计算有向无环图的马尔科夫等价类数量。在部分边缘方向已知的情况下，该问题在一个实例类中是可固定参数可解的。

本文研究了学习线性动态系统（LDS）在有向无环图（DAG）上的底层交互/依赖关系的最佳样本复杂度。提出了基于观察到的时间序列的功率谱密度矩阵的度量和算法来重构动态DAG。证明了学习DDAG所需的最佳样本复杂度为n=Θ(qlog(p/q))，其中p为节点数，q为每个节点的最大父节点数。

本研究提出了一种新的基于边生成调度（EGS）的有向无环图（DAG）调度框架，使用调度性测试方法和深度强化学习算法来生成边缘，并与现有算法进行比较，结果显示该算法需要较少的处理器。

本文提出了一种嵌入有向无环图的新方法，使用证明能够更好地模拟树状结构的双曲空间，并使用一组嵌套的测地凸锥来定义分层关系，并证明这些蕴含锥体在欧几里得和双曲空间中均具有一种优化的形式，而且它们可以规范地定义嵌入学习过程。实验显示，我们的方法在表示能力和泛化方面都比最近的强有力的基线有显着的改进。