提出一种利用基于 LASSO 的线性模型自动且同时选择相关特征和时间点的方法以及考虑数据非 i.i.d 性质的计算结果，并展示该方法比现有技术具有更好的表现。

Oct, 2016

提出了一种基于 Bayesian 方法的计算模型，用于从基因表达的高通量遗传数据中发现基因之间的局部因果关系。模型的应用结果表明，可以从稳定且保守的局部因果结构后验概率中推导出最有意义的调控关系。

Sep, 2019

本研究针对高维网络模型的估计问题，采用 Granger 因果模型框架，利用稀疏边缘和内在节点分组结构的假设，引入削减版本的 Group Lasso 估计器，发现了网络节点之间的 Granger 因果交互作用，并对其稳健性进行了渐近结果的开发。通过广泛的模拟研究和现有技术的比较，评估了该方法的性能。

Oct, 2012

本文研究使用高维数据集对多个相关但不同的图形模型进行估计问题，在基于组织样本的基因表达数据的分析中应用联合图形 Lasso 方法，以获得更准确的网络和协方差结构估计。

Nov, 2011

本文提出了一种新的罚函数 —— 迹 Lasso 来稳定估计设计矩阵相关的线性模型的参数向量，并提出了一种改进的最小二乘优化算法，模拟实验结果表明，该方法相比于其他方法（如弹性网）更适用于强相关情况。

Sep, 2011

本文介绍了一个名为 Tensor Graphical Lasso (TeraLasso) 的多维张量图形 Lasso 的通用模型，可以准确地和可扩展地估计高维变量数据的条件依赖关系，通过提出的复合梯度下降算法，TeraLasso 模型可以有效计算。该模型可以准确地估计精确的矩阵和恢复有意义的条件依赖图，而且在模拟和实验数据中得到广泛应用。

May, 2017

本文介绍了一种名为 TIGRESS 的基于稳定性选择的基因调控网络推断方法，采用稀疏回归和特征选择技术，结合了一种新颖的评分技术，使得 TIGRESS 能够在基准数据上达到最先进的性能水平。

May, 2012

利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。

Feb, 2018

本文探讨了通过多变量自回归（MAR）过程建模的稀疏因果网络的推断问题。在满足 “假连接得分” 条件下，得出 Group Lasso (gLasso) 程序可以一致地估计稀疏网络结构的结论，这也被证明是一种有效的复原度量。作者建议改进 gLasso 过程，以提高假连接得分并减少因果影响方向反转的可能性。计算实验和基于真实网络的 ECoG 模拟研究证明了该方法的有效性。

Jun, 2011

本文提出了一种基于稀疏差异先验的正则化 M - 估计方法，通过估计图和变化点结构相结合，探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构，以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外，方法的扩张能使得在多个系统的依赖关系中进行变化点的估计，并提出了一种高效算法用于对结构的估计，最后，对两个真实世界数据集的定性影响以及合理性进行研究。

Dec, 2015