本研究提出了一种顺序非祖先剪枝（SNAP）框架，旨在高效估计未知图中目标变量的因果效应。通过识别并剪除非祖先，显著降低了独立性检验的数量和计算时间，从而提高了因果效应估计的效率和准确性。

本文提出了一种基于HSIC的特征选择框架，旨在统一监督学习问题。通过后向逐步消除算法，最大化特征与标签的相关性，验证了该方法在人工和实际数据集上的有效性。同时，研究了基于核函数的独立性检验方法及其在高维数据中的应用，并提出了自我监督学习方法，实验结果显示其在ImageNet数据集上表现优异。

本文探讨了希尔伯特-施密特独立准则（HSIC）在统计检验中的应用，提出了一种基于HSIC的独立性检验方法，适用于不同随机变量的独立性测试。研究表明，即使在核函数不具特性的情况下，该方法仍然保持一致性。此外，文中介绍了新型的非参数假设检验方法及其在因果发现中的应用，展示了HSIC在统计分析中的有效性和优势。