本文提出了一种新的框架来学习具有所需结构属性的多元数据的可控和通用表示，该模型利用图模型中的掩码变量表示归纳偏置，并扩展多元信息瓶颈理论来强制执行结构依赖性，从而提供原则性方法来学习一组语义上有意义的潜在因素，其反映了各种类型的期望结构，如捕获相关性或编码不变性。同时还提供了自动估计数据中依赖关系的灵活性，该框架统一了许多现有的生成模型，并可应用于各种任务，包括多模态数据建模、算法公平性和不变风险最小化。

Jul, 2020

本文提出了一个名为 LiLY 的框架，用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题，该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后通过利用识别出的因果结构，将更正步骤进行公式化，将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改，并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来，通过利用这种模块化的变化表示，我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。

Feb, 2022

通过从观测数据中恢复有向无环图（DAG）结构来发现因果关系是一个众所周知的挑战性组合问题。本文首先提出了一种基于观测数据协方差矩阵的 Cholesky 分解的 DAG 结构恢复算法，该算法快速易实现且具有精确恢复的理论保证。在合成和真实数据集上，该算法比先前的方法明显更快，并达到了最先进的性能。此外，在等误差方差假设下，我们将优化过程纳入基于 Cholesky 分解的算法中以处理带有潜在变量的 DAG 恢复问题。数值模拟表明，修改后的 “Cholesky + 优化” 算法能够在大多数情况下恢复出真实图，并且优于现有算法。

Nov, 2023

通过时间信息学习潜在因果变量的变化规律，使用因果过程先验引入约束来实现条件满足，达到从非线性混合数据中可靠地识别因果潜在过程的目的。

Oct, 2021

该篇论文研究了使用线性模型描述随机动态的网络 (有向图) 的学习问题，并证明了在较高采样率的情况下，利用 $\ell_1$- 正则化最小二乘算法可以高效地推断出稀疏网络结构。

Nov, 2010

通过对观察变量集 $X_p$ 的条件集的最小支持率进行张量秩条件探测，我们可以确定潜在变量的秩，并在某些结构假设下识别出潜在因果结构。

Jun, 2024

提出了一种高效的非线性建模方法，通过线性 VAR 过程和分量间非线性映射来生成时间序列，并使用定制算法解决优化问题，提高了 VAR 系数的支持识别和时间序列预测能力。

Sep, 2023

本文提出了一种名为 MuLTI 的新型框架，利用对比学习技术来反转数据生成过程以提高可识别性，并采用置换机制通过建立最优传输公式合并相应的重叠变量，从而在合成和真实世界数据集上展示了我们方法在多视图时间序列中恢复可识别潜在变量方面的卓越性能。

May, 2023

提出了一种方法，通过在一种框架内结合变分自动编码器和 (时空) 注意力机制，从高维经验数据中学习动力系统，以实现确定一定科学动力学不变的设计，这种方法允许在任何连续时刻有效推断系统行为，是从异构数据中高效学习动态模型的一种有前途的新框架。

Jun, 2023

研究了在存在潜在变量的数据中重构因果图模型的问题，提出通过将其还原为混合预言机来确定潜在表示和潜在因果模型，从而揭示了混合模型顺序学习和可观测和不可观测之间的双分图结构学习问题之间的联系，并提供了几个重构完整图模型的算法。

Jun, 2021