超越条件独立性的因果发现：有向无环图与有向有环图的可识别性、算法及统计推断

基于摘要分析。本文综述超越条件独立性的因果发现方法，关注机制、噪声、观测方式与干预假设如何决定数据能够识别哪些因果结构。核心贡献是以“识别信息的来源—统计估计方法—计算实现”为组织框架，连接条件独立性方法、分布不对称性、条件矩约束，以及跨环境或个体的变化信息。 在研究对象上，本文同时讨论有向无环图与包含反馈的有向有环图，并覆盖潜在混杂。作者强调，应区分对观测变量因果关系的识别与对潜在结构的重建；对于有环模型，还需要明确额外的模型语义，不能仅依据图中存在反馈边就套用无环模型的解释。 在证据层次上，综述区分总体层面的可识别性、频率学派与贝叶斯一致性、不确定性量化以及算法保证。作者通过示例说明，同一观测分布在不同模型类别与假设下可能导向不同结论，因此比较方法时应先对齐其可识别目标，而不能仅比较输出图或计算表现。摘要还提出不确定性、异质人群、非标量变量，以及离散数据、反馈和隐藏混杂交叉问题的研究议程。 目前未取得全文，具体覆盖方法、定理条件、示例构造及比较协议尚未验证；摘要未提供可核对的定量评估结果。本文不是 EEG 或 BCI 方法验证材料，其框架可作为审视因果结构分析假设的参考，但不能据此认定相关方法已适用于神经信号；已有 EEG 相关工作尚未检索确认。