该论文提出了一种名为‘关系性因果发现(RCD)’的算法，通过关系性模型和在条件独立方面的提升推理，学习因果关系，证明了该算法的可靠性和有效性。

Sep, 2013

介绍了一种新的非参数贝叶斯潜变量模型，该模型明确捕捉了异常交互计数之间的相关性，并利用这些共享的偏差从正常活动模式中识别和表征多边关系。通过使用新近策划的全球事件位置与语气数据库，显示了该模型的能力，并在研究结果中指出多边关系对应于重大国际事件和长期国际关系，因此建议在数据驱动的交互网络分析中应用该模型。

Nov, 2013

使用贝叶斯张量分解模型对动态二元交互模式进行潜在群体结构的推断，以及通过推理的低维、可解释的表示捕捉到多边关系。

Jun, 2015

该论文探讨了如何使用神经网络模型从新闻文章中推断国与国之间的关系，结合浅层语言学信息提出了新的自动评估指标，并进行了人工评估，结果显示该模型能够更好地分析和理解复杂的国际关系，同时还揭示了新闻报道在不同地区的侧重点和偏见。

Apr, 2019

本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

Jun, 2021

本研究提出了一种新的细粒度、多阶段的生成式问答方法，利用蒙特卡洛方法克服生成式输出的随机性，并将其应用于事件抽取和演员关系提取领域，同时在自动内容提取数据集上表现较强。

May, 2023

提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。

Jun, 2023

我们提出了一种名为OCDaf的新型基于顺序的方法，用于从观测数据中学习因果图，并在多元异方差噪声模型中建立了因果图的可辨识性，通过连续搜索算法寻找因果结构，实验结果在Sachs和SynTReN基准测试中表现出了最先进的性能，并且在各种参数和非参数合成数据集上验证了可辨识性理论，展示了与现有基线方法相比的优越性能。

Aug, 2023

使用有向无环图来建模系统的因果结构。在多个数据源（群体或环境）的数据聚合中，全局混淆模糊了许多因果发现算法中的条件独立性属性。因此，现有的因果发现算法不适用于多源设置。我们证明，如果混淆的基数有限（即数据来自有限数量的源），仍然可以实现因果发现。该问题的可行性取决于全局混淆因素的基数、观测变量的基数和因果结构的稀疏程度的权衡。

Nov, 2023

社交媒体用户通过与其他用户的互动、自发声明或参与网络社区表达其政治偏好，因此像Twitter这样的社交网络是研究计算科学方法在政治学习推理方面的宝贵数据源。本研究聚焦于西班牙的三个多样化地区（巴斯克地区、加泰罗尼亚和加利西亚），探索用于分析不断演变和复杂的政治格局所需的多党分类的各种方法，并将其与二元左右派方法进行比较。我们采用两步法，通过从转发中获取的无监督用户表示来进行政治倾向检测。对于由标记用户及其互动组成的新收集和筛选数据集的全面实验证明，将关系嵌入作为政治意识形态检测的表示方法，在有限的训练数据下，在二元和多党框架中都具有有效性。最后，数据可视化展示了关系嵌入捕捉复杂的组内和组间政治共鸣的能力。

Jun, 2024