本文介绍一种在高斯图形模型中提取结构变化的有效学习策略，运用基于 l1 正则化的凸优化解决该问题，并通过块坐标下降算法实现该策略。在此基础上，我们将其应用于不同条件下的基因调控网络模拟，并获得了有前途但切合生物学的结果。

Mar, 2012

该研究论文提出了一种新的联合图模型框架来填补现有的状态空间模型中静态图模型和基于因果关系的图模型之间的缺失。作者通过引入一个高效的块交替主要化极小化算法实现了该框架，并通过对合成和真实气象变化数据的实验验证了所提出模型和推断算法的有效性。

Jul, 2023

揭示、建模和理解自然现象的因果机制是科学研究中的基本任务，此文讨论一种名为 MgCSL（多粒度因果结构学习）的新方法，通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象，使用多粒度变量作为输入训练多层感知机，从而深入研究变量之间的因果关系，并引入一种简化的非循环性约束以适应高维数据，实验证明 MgCSL 优于竞争方法，并在 fMRI 数据集中发现可解释的因果连接。

Dec, 2023

通过交叉深度学习和因果发现，我们在非统计数据形式如图像、视频和文本中阐明因果关系，特别是在不确定的数据形式中，提出干预策略和因果一致性条件，并设计了自监督学习框架，并在监督专用模型和大型语言模型上实现了两个示例，通过评估纯不一致性表现和其他三个下游任务，验证了我们方法的有效性，揭示了因果一致性条件在各个领域中可能发挥的影响力。

Oct, 2023

本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

Jun, 2017

本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting（BGSLF），该模型结合了图结构学习和预测，并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡，并在真实世界的四个数据集上进行了广泛的实验，取得了最新的性能表现。

Jan, 2022

本研究提出了两种基于对比自监督学习（CSSL）的方法来缓解过拟合的问题，具体地，我们使用 CSSL 对图形编码器进行预训练，并在标记后的图形上调整预先训练的编码器。我们还开发了一个基于 CSSL 的正则化器，同时解决监督分类任务和无监督 CSSL 任务。通过数据增强的方式，定义了对比损失来学习图形编码器。实验结果表明，我们提出的方法在各种图形分类数据集上都非常有效。

Sep, 2020

本文提出了两种估计多个相关图的方法，并将亲密度假设转化为经验先验或组惩罚。我们提供了定量结果，证明了所提出方法的优势。该论文介绍的方法已嵌入 R 软件包'simone' 版本 1.0-0 及更高版本中。

Dec, 2009

本文回顾和讨论了一些关于图模型的进展，包括了无向图模型和有向图模型的估计方法，以及处理潜在变量和异构数据源的拓展。

Jun, 2016

迭代式 LLM 监督 CSL（ILS-CSL）框架通过将基于 LLM 的因果推理与 CSL 相结合，并从 LLM 中获得反馈，从而改进了因果有向无环图（DAG）的学习，提供了更强效的因果发现方法，并在八个真实世界数据集上的综合评估中表现出优越的性能，展示了其推动因果发现领域进步的潜力。

Nov, 2023