深度分析
「Lie 括號幾何」在因果發現中的應用：BRIDGE 與 SKFM 演算法深入解析
因果推論常受觀測與介入的差異挑戰，本文提出結合Lie括號幾何的BRIDGE與SKFM兩套演算法，以局部向量場檢測潛在混雜，並在合成與實驗資料上達到約0.86的F1成績，同時指出在真實蛋白訊號資料上仍需後續評分。此外，研究顯示在十節點非線性隨機DAG上的高召回率證明了幾何篩選的有效性。
因果發現
深度分析
位置尺度噪聲模型（LSNM‑UV）於隱變項情境下的因果結構可辨識性研究
研究針對觀測資料中隱藏變項與位置尺度噪聲模型提出因果發現方法，證明在滿足弓形自由條件的ADMG可辨識，並在違反條件時提供額外識別條件，實驗顯示在異方差資料上優於傳統加法噪聲基礎。提出兩階段演算法LSNM‑UV，具備聲明性與完整性，理論與實驗皆支援其效能。
深度分析
DCNAR：結合神經自迴歸與結構先驗的動態因果推論新框架
現有動態因果模型多假設結構已知，DCNAR 透過神經因果發現先學得稀疏有向網路，再作為結構先驗進行時變自迴歸，實驗顯示其衝擊回應與反事實軌跡更穩定且具解釋性。在139國、35年面板資料上，DCNAR 的預測與傳統模型相當，但在衝擊回應的一致性與跨國差異解釋上明顯優於係數式或無結構模型。
深度分析
DCNAR：以結構學習作為先驗的時變網路自迴歸動態因果推論
研究警示多數時變因果模型假定已知因果網路，實務罕見。本文提出DCNAR：以神經自迴歸發現稀疏有向結構，將其作為時變網路自迴歸的結構先驗。實驗顯示在未知結構下，DCNAR能產生穩定且可解釋的脈衝反應與反事實軌跡，並在短序列面板資料展示一致行為，對社會科學與政策模擬具實務價值。
深度分析
L2C：自局部發現到群集抽象的因果框架 — 在潛在變數存在下的群集層級因果推論
因果發現常受潛在變數與高維度資料限制，局部方法雖快卻缺乏宏觀視角，群集層級方法則多依賴事先分群或因果充分性假設。L2C（Local to Cluster Causal Abstraction）提出自動從微觀因果模式發現群集、以群集約化進行宏觀因果推論的統一流程。
深度分析
預測必要性檢驗：用於非線性時間序列因果發現的實作框架（以 NAVAR 為例）
面對非線性時間序列中神經自回歸模型輸出的解釋困難，本文提出以「預測必要性」取代係數大小來評估因果關係。方法透過系統性刪邊與前視比較，檢驗移除關係是否導致外樣本預測劣化。實證於民主發展面板資料顯示，分數高低與預測必要性可大幅不同，影響因果判讀。