因果發現演算法（causal discovery）

大多數因果方法一開始就假設你已經知道圖。因果發現把這件事反過來，問一個更難的問題：資料本身能不能告訴你誰造成了誰？這些演算法在所有可能圖的空間中搜尋，找出一張其蘊含的相依與獨立模式最能符合資料的圖，把結構學習從一個建模假設變成一個推論目標。

三大類方法主導這個領域。基於約束的方法（PC、FCI）跑一整套條件獨立檢定，只保留與檢定一致的圖。基於分數的方法（GES，以及 NOTEARS 等連續最佳化變體）給每張候選圖一個帶懲罰的擬合分數並加以最佳化。基於函數的方法（加性雜訊與 LiNGAM 模型）利用雜訊中的不對稱性，去定出前兩類必須留為無向的邊的方向。每一類都建立在因果充分性、忠實性與無環性等假設上。

根本的限制是：單靠觀察資料通常無法鎖定唯一的圖——許多不同的因果結構會蘊含完全相同的獨立性，因此誠實的輸出是一個馬可夫等價類，也就是一組資料無法區分的圖。要打破剩下的平手、還原方向，靠的是介入資料、時間序列資料，或函數形式上的假設。