同一种蛋白质关系，可能在不同患者身上强弱不同，甚至方向相反。若把所有人的重复测量混在一起，硬学一张统一的因果图，结果可能看起来很整齐，却漏掉真正存在的联系。这篇论文处理的正是这类聚类数据——例如同一患者的多次测量天然属于一组，组内记录更相似，组间关系也未必完全一致。
作者把混合效应引入 DAG 结构学习。DAG（有向无环图）用箭头表示变量间可能的因果先后，并禁止箭头绕一圈回到原点。新方法同时学习固定效应，也就是各群组共享的总体结构；以及随机效应，也就是每个群组相对总体的局部偏离。最关键的一步，是用可微的图耦合机制约束两部分：无论共同边与群组差异怎样组合，它们的并集都不能形成环。作者还给出可证明收敛的优化方法，并以批量方式更新多个群组，可处理数百个节点。论文称，真实与合成实验中，该方法找到了其他估计器漏掉的依赖关系；但仅凭观察数据学习因果结构，仍需依赖无隐藏混杂等假设。