本文考虑学习基于样本的线性随机微分方程系统的依赖结构，特别是当一些变量是潜在变量时。我们开发了一种基于凸优化的新方法来解决这个问题。针对观测变量之间的依赖关系稀疏的情况，我们理论上建立了结构恢复的高维缩放结果，并通过合成和真实数据（来自股票市场）验证了我们的理论结果。

Jun, 2011

本文提出一种通过组合基本核函数来寻找最优核函数的方法，使得拟合函数能够分解为易于理解的部分，从而实现对时间序列数据的长程外推，并在多种预测任务上表现出色。

Feb, 2013

本研究提出了一种在最大后验(MAP)框架下，采用基于一般化梯度下降法的期望最大化(EM)算法，对线性动态系统的转移矩阵进行L1正则化来减轻隐藏状态数量选择问题的方法，这种 Sparse Linear Dynamical System (SLDS) 增强了对于临床多元时间序列数据的预测性能，相较于普通LDS模型。

Nov, 2013

利用一种基于得分的方法来解决动态贝叶斯网络中的结构学习问题，该方法同时估计时间序列中变量之间的同步和时间滞后关系，并且在模拟数据和真实数据方面都具有较高的准确性和可扩展性，特别适用于需要学习变量间时间关系的多个问题。

Feb, 2020

本文提出了一种新的非线性ICA框架，该框架无需手动分割数据，而是结合了隐马尔可夫模型来实现非监督地学习和动态建模，同时证明了该模型的可辨识性。

Jun, 2020

研究了从未标记的短样本轨迹中学习多个线性动态系统（LDS）混合模型的问题，并开发了二阶段元算法，其执行效果得到了验证。

Jan, 2022

本文提出了一种方法，通过集成去噪技术、稀疏回归和自举置信区间来自动识别动力学定律，从而在物理、生物科学以及工程等各领域中有望影响对复杂系统的理解。

Apr, 2023

我们考虑时齐动力系统的一般类别，包括离散和连续性，并研究从观测数据中学习状态的有意义表示的问题。这对于学习系统的前向传递算符非常关键，从而可以用于预测未来状态或可观测量。该表示通常通过神经网络参数化，并通过优化类似于规范相关分析（CCA）的目标函数来学习。然而，与CCA不同，我们的目标避免矩阵求逆，因此通常更稳定且适用于挑战性的情况。我们的目标是CCA的一个紧松弛，并通过提出两种正则化方案进一步增强，一种鼓励表示的分量正交而另一种利用Chapman-Kolmogorov方程。我们将该方法应用于具有挑战性的离散动力系统，讨论其相对先前方法的改进，并应用于连续动力系统。

Jul, 2023

我们提出了一种新的双重鲁棒性方法来从时间数据中确定结构，该方法具有理论保证，可以在潜在原因存在循环和混淆的情况下渐近地恢复真实的因果结构，并通过大量实验证明了我们方法的卓越性能。

Nov, 2023

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