本研究提出了一种名为因果一致分区图（CCPG）的方法，通过条件独立性测试学习隐藏因果图的粗糙表示，能够在特殊情况下还原真实因果图。

该文介绍了一种基于非参数 Von Mises 估计器的条件独立性测试方法（VM-CI），可用于多元分布的熵估计，达到最优参数速率。作者证明了 VM-CI 的总体误差上限，并表征了使用该方法进行条件独立性测试的任何基于约束的因果发现算法的样本复杂度。该方法在性能上优于其他常见的条件独立性测试，表现更好。