因果有向无环图模型是表示联合分布随机变量间因果关系的强大工具，尤其适用于跨不同实验设置的数据。然而，在特定数据集中，以给定特征的粒度估计因果模型并不总是可行或可取的。针对此类问题的因果抽象研究正在兴起。 本研究为该研究方向做出贡献，具体包括：首先，为实际相关的干预设置提供了新颖的图可识别性结果；其次，提出了一种高效、可证明一致的算法，用于直接从干预目标未知的干预数据中学习抽象的因果图；最后，揭示了底层搜索空间的格结构理论见解，并与更广泛的因果发现领域建立了联系。 作为概念验证，该算法已在已知真实情况的合成和真实数据集上得到应用，其中包括来自一个具有相互作用的光强度和偏振的受控物理系统的测量数据。研究成果已获得相关学术会议的接受。该工作推动了因果表示学习在实践中的应用，为处理高维或复杂系统中的因果推断问题提供了新的方法论工具。