本书章节对于因果动力学模型的提出是对结构性因果模型的自然而直接的扩展，它提供了一种语言来建模干预情况下的系统响应，着重于动态本身而非相应的稳态分布，并且定义了干预模型，有助于因果推断。

Jan, 2020

该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。

May, 2022

本文提出了一种基于视频无监督学习的因果发现方法，结合感知、推理和动力学模块，能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用，并做出反事实推理和未来预测。

Jul, 2020

寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

Aug, 2023

我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同，我们提出了一种直接建立时间过程中事件之间因果关系的学习范式，并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具，包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习，我们的框架揭示和量化了看似无法解释的因果链接。

Feb, 2024

从因果表征的角度提出了一种用于解决模式预测中分布偏移脆弱性和知识转移低效性挑战的学习框架，通过不同的损失函数分别处理动态过程中三组潜在变量：不变变量，样式混淆变量和虚假特征。该方法显著优于当前先进的动态模式预测模型。

Nov, 2021

利用结构性错误模型的学习和数据同化技术来建模复杂动力系统中的未解决特征是一种有效的方法，其中闭合模型对未解决的尺度进行建模，通过学习结构性错误来改进模型，并演示了两个数值示例来说明其概念和算法。

Dec, 2023

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。

Oct, 2020

通过对观测节点的时间序列数据进行特征嵌入和聚类，解决了具有噪声相关性和部分可观测性的线性网络动力系统中隐藏因果网络的学习问题。

Dec, 2023