本文探讨了通过多变量自回归（MAR）过程建模的稀疏因果网络的推断问题。在满足 “假连接得分” 条件下，得出 Group Lasso (gLasso) 程序可以一致地估计稀疏网络结构的结论，这也被证明是一种有效的复原度量。作者建议改进 gLasso 过程，以提高假连接得分并减少因果影响方向反转的可能性。计算实验和基于真实网络的 ECoG 模拟研究证明了该方法的有效性。

Jun, 2011

本研究针对高维网络模型的估计问题，采用 Granger 因果模型框架，利用稀疏边缘和内在节点分组结构的假设，引入削减版本的 Group Lasso 估计器，发现了网络节点之间的 Granger 因果交互作用，并对其稳健性进行了渐近结果的开发。通过广泛的模拟研究和现有技术的比较，评估了该方法的性能。

Oct, 2012

本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合 - GCN 比现有的多模态图学习方法更有效。

Oct, 2022

提出了一种基于 Jacobian 正则化的神经 Granger 因果关系（JRNGC）方法，通过构建一个单一模型来学习多变量总结的 Granger 因果关系和全时的 Granger 因果关系，消除了权重的稀疏约束，同时在保持较低模型复杂度和高可伸缩性的情况下，实现了与最先进方法的竞争性性能。

May, 2024

探讨了深度神经网络、特征选择和优化之间的关系，并通过引入 Group Lasso penalty 的方法，同时解决了三个问题，证明此方法可以在大规模分类任务上有效地实现。

Jul, 2016

该研究通过使用稀疏估计的参数来计算信赖区间，建立了基于大脑功能的参数分布，提出一种去偏的多任务融合 Lasso 方法。该方法可用于比较变化的功能脑网络边缘，并在自闭症研究方面进行了验证。

Dec, 2015

利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。

Feb, 2018

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

本文研究使用高维数据集对多个相关但不同的图形模型进行估计问题，在基于组织样本的基因表达数据的分析中应用联合图形 Lasso 方法，以获得更准确的网络和协方差结构估计。

Nov, 2011

本文主要研究在图数据上检测拓扑和语义结构，提出了一种名为 tsGCN 的图卷积网络，通过可解释的正则化优化框架，成功减少了计算无限阶图卷积的高计算复杂度，并且在八个公共数据集上对分类任务取得了比同类竞争对手更卓越的性能。

Jan, 2023