本研究探讨大型语言模型（LLMs）在因果发现中利用观察数据的有效性。通过成对提示和广度优先搜索提示，LLMs在因果推断中的F1分数提高了0.52，显示出其在数据驱动因果发现中的潜力与局限性。

本研究提出了一种新颖的图解耦因果模型（GDC），旨在提高从观察数据中估计个体治疗效应（ITE）的准确性。该模型通过分离单元特征为调整和混杂因素，并利用图聚合模块获取不同因果因素的表示，从而显著改善ITE估计效果。

本研究提出了一种新的因果发现方法SAM，通过结合条件独立性和分布不对称性，利用神经网络优化图结构和参数，从观察数据中找到潜在的因果结构。实验证明该方法在合成和真实数据上有效。