在非平稳环境中，本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设，表明在温和条件下，可以从非线性混合中恢复独立的潜在成分，而无需观察辅助变量。我们还提出了 NCTRL，一种基于原则的估计框架，仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明，我们的方法可可靠地识别时间延迟的潜在因果影响，并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。

Oct, 2023

我们旨在基于多元 Hawkes 过程明确地建模滞后的 Granger 因果效应。通过模拟滞后参数的后验分布来推断时间滞后，我们进一步研究了一个复杂环境下的模型估计方法，该方法对于事件预测和时间滞后推断的准确性在合成和真实数据上取得了良好的结果。

Aug, 2023

本文提出了一个名为 LiLY 的框架，用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题，该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后通过利用识别出的因果结构，将更正步骤进行公式化，将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改，并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来，通过利用这种模块化的变化表示，我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。

Feb, 2022

提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。

Dec, 2023

本文提出了一种名为 MuLTI 的新型框架，利用对比学习技术来反转数据生成过程以提高可识别性，并采用置换机制通过建立最优传输公式合并相应的重叠变量，从而在合成和真实世界数据集上展示了我们方法在多视图时间序列中恢复可识别潜在变量方面的卓越性能。

May, 2023

提出了一种名为 IDOL 的可用于识别瞬时潜在动态的识别框架，借助于稀疏影响约束和基于时间序列数据的上下文信息建立了潜在因果过程的可辨识性结果，通过时间变分推断架构和基于梯度的稀疏规则识别潜在因果过程。在模拟数据集上的实验结果表明，我们的方法可以识别潜在的因果过程，并且在具有瞬时依赖关系的多个人体运动预测基准测试中的评估结果表明了我们方法在现实世界环境中的有效性。

May, 2024

我们提出了一个灵活高效的潜变量模型，利用高斯过程捕捉样本与相关缺失模式之间的时间相关性，并构建可变分自动编码器模型来处理高维度、结构化缺失模式和未知随机过程等数据挑战。

Feb, 2024

该研究探讨了从高维数据中学习因果表示的挑战性问题，并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法，在半监督和无监督的情况下进行了实验，表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。

Jul, 2022

利用非可逆生成时序数据的 CAusal RepresentatIon 的 CaRiNG 方法可可靠地识别因果关系过程，提高实际应用中的时间理解和推理能力。

Jan, 2024

从计算认知模型中提取变化的潜在变量是模型基础神经分析的关键步骤，我们提出了一种方法，通过递归神经网络和模拟数据集，将神经贝叶斯估计扩展到学习实验数据和目标潜在变量空间之间的直接映射，从而在可处理和难度较大的模型中推断潜在变量序列，该方法适用于不同的计算模型和连续离散潜在空间，并在实际数据集中证明了其适用性。

Jun, 2024