提出一种新颖的方法来准确估算低秩和结构稀疏高维 VAR 模型中的网络 Granger 因果交互作用，该方法采用核范数和 lasso（或 group lasso）惩罚的组合正则化框架，证明了该方法的估计误差速率的非渐近性上界，并演示了该方法在合成和真实数据上的表现优于标准稀疏 VAR 估计。

Dec, 2018

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 Bayesian Causal Discovery Nets (BCD Nets)，它是一个用于估计线性 - Gaussian SEM 中描述一个 DAG 的概率分布的变分推理框架。本框架采用了连续松弛，适当的先验分布以及表达力强的变分族等重要设计，旨在解决实际情况下对潜在图进行的不确定性估计问题。最终实验表明，与基于最大似然的方法相比，BCD Nets 在低数据环境下的结构 Hamming 距离等标准因果分析评估指标上表现更好。

Dec, 2021

本文研究了具有结构的 VAR 模型参数在相关性干扰下的估计误差问题，发现在依赖样本的情况下，使用各种 norm 捕捉结构可与使用 Lasso-type 独立样本估计器获得相同级别的估计误差，分析方法基于 generic chaining, sub-exponential martingales 和 spectral representation of VAR models。

Feb, 2016

本文介绍了一种新方法，使用顺序变分自编码器（SVAE）和神经常微分方程（NODE）来学习神经动力学的低维逼近。该方法产生的光滑动态可以准确地预测认知过程，并显示出对任务相关的脑区的改善空间定位并识别出著名的结构，如 fMRI 运动任务记录中的运动全身像。

May, 2023

本文提出了一种适用于动态网络的统计模型 Neural Latent Space Model with Variational Inference，该模型能够表示并预测网络结构的演化，并在同质、双部分和异质网络的真实数据集上表现出优异的性能。

Nov, 2019

本文研究了从观测数据中学习因果结构的问题，提出了一种基于结构方程模型的因果结构学习方法，并通过实验验证了其良好性能。

Oct, 2019

本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。

Oct, 2016

本研究提出了一种名为 VHVM 的端到端神经网络体系结构，能够对多元金融时间序列中的异方差行为进行建模，并在多元外汇数据集上展示了其对比 GARCH 和 SV 模型的有效性。

Apr, 2022

超级学习方程建模是一种集成机器学习超级学习器的路径建模技术，能够提供一致和无偏的因果效应估计，并在处理非线性关系时比结构方程模型（SEM）表现更好。

Aug, 2023