Sep, 2013
从连续平衡数据中的周期性因果发现
Cyclic Causal Discovery from Continuous Equilibrium Data
Joris Mooij, Tom Heskes
TL;DR本文提出了一种无需假设线性关系和处理反馈环的方法来学习连续数据中的环形因果模型，并在生化反应的背景下提出了一种新的建模干预的方法。通过运用该方法对 Sachs et al. (2005) 流式细胞术数据进行重建，证明了该方法在发现环形反馈和提高数据精度方面的优越性。
Abstract
We propose a method for learning cyclic causal models from a combination of
observational and interventional equilibrium data. Novel aspects of the
proposed method are its ability to work with continuous data (without assuming
linearity) and to deal with →
发现论文，激发创造
backShift：从未知 shift 干预中学习因果循环图
该研究提出了一种名为 backShift 的方法，这种方法使用了特定类型的干预数据来学习具有潜在变量的线性因果循环模型，其性能在一些模拟数据以及在流式细胞术和金融时间序列应用中得到了验证。
Jun, 2015
线性非高斯循环模型的局部因果发现
本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。
Mar, 2024
通过关系消环来学习具有环的关系因果模型
在关系因果模型中，通过关系回路对复杂的动态系统进行建模和推理，本文引入了一种关系去环操作，探讨了用于循环关系因果模型的约束关系因果发现算法的充分必要条件。
Aug, 2022
从不完整数据学习循环因果模型
在本研究中，我们提出了一种名为 MissNODAGS 的新框架，用于从部分缺失的数据中学习循环因果图。通过合成实验和真实的单细胞干预数据，我们证明在部分缺失的干预数据上使用最先进的填充技术后进行因果学习相比之下，MissNODAGS 表现出更好的性能。
Feb, 2024
从变化中发现因果关系
本研究提出了一种基于本地自发变化的方法，用于发现因果结构，并分析了与之相关的结构类别，设计了可以输出这些等价类的图形表示的算法，并使用模拟数据展示了实验结果，研究了变化检测和结构恢复的误差。
Jan, 2013
使用神经控制微分方程连续建模对照结果
借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。
Jun, 2022