LiNGAM全称，即线性非高斯无环模型由于LiNGAM假设，我们能够得出结论：结果因素的分布就是由所有的被观测的因素线性相加而成。那么，我们就需要找到一个方法，将所有被观测的因素从结果因素的分布当中分离出来。在信号处理的领域中，有一种方法叫做原本主要用于从多个混杂信号中分离出源信号，而今主要用于数据分析领域。ICA的主要是基于非高斯假设，分离出。其中，表示为所有因素的矩阵，为表示因果权重的矩阵（为

GCN网络是GNN网络的进化版，在GNN结构的基础上加入一个新的变量：度矩阵（degree matrix），添加度矩阵的意义在于可以过滤数据，使特征标准化，避免在迭代的过程无效信息掩盖了有效信息。图神经网络与传统神经网络的最大区别在于：对于图中节点的信息，应当考虑其邻居的特征，即包括邻居节点和自身的信息，然后将其输入到全连接层，去完成任务。这里将节点A平均分成两份的意义为，节点A对节点E有一份影响