一、因果关系

本科烂大街，硕士满大街，博士大街挑。如今一颗好的白菜也被挑来挑去，部分终将烂大街。这里存在一种因果关系，首先你必须有本科学历，才可以有硕士或博士学历。本科是因，硕士是果。反过来不成立。他是有向的，且无环的。也就是有向无环图。（directed acyclic graphs:DAGs）。
现实中往往潜在这样的关系，如某人他考上了985的博士。这个人有一些特性（特征或属性）：如爱跑步、成绩好、爱学习。（这三个属性对应图的节点，节点的表示可标量或向量）那这三者直接的关系我们并不能显示知道，可否推断出这三者之间的因果关系。或者相关关系。

二、相关关系

上述三者如果去除方向就是相关关系，如成绩好与爱跑步、爱学习成正相关。假如他还有个属性讨厌打游戏的人。那打游戏就和成绩好负相关。

三、寻找他们之间的关系-NP难

寻找属性与属性（节点）之间的关系，也就是找出他们的结构，我们发现他是一种组合优化问题，存在NP难问题，随着节点的增加成指数增长。无非就是构建属性与属性之间是否有关系，有关系为1，无关系为0；其实就是找图的邻接矩阵A。可否通过某种方式来解决。

四、解决结构学习组合优化问题

2018年卡耐基梅隆大学的zhang提出DAGs with NO TEARS解决这个问题。他们将结构学习问题表述为在实矩阵上的纯粹连续优化问题，从而完全避免了这种组合约束。可见这种换个角度解决问题的方式是多么巧妙，突破传统思维。
相关论文详细解读见：
1.[Causal Inference论文笔记]DAGs with NO TEARS
其中最后生成模型训练可能看不懂，可以学习一下这个最大似然估计：最大似然估计
2.DAGs with NO TEARS
接下来是这篇
3.DAG_GNN:一种基于VAE的DAG结构学习架构
4.DAG-GAN：使用生成对抗网络进行因果结构学习
但DAG-GAN没有给代码，用的是原数据进行编码，并不是随机生成的数据。他加入MMD的思想可以借鉴。但目前重现效果远差DAG-GNN，后期在研究，是否写错代码。先退回VAE的思想进行研究。