从观测时间序列推断扩展摘要因果图
通过观察性时间序列研究干预的总效应的可识别性问题，我们考虑了系统的因果图的两种抽象：扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的，并提供了摘要因果图中可识别性的必要和充分图形条件。此外，我们提供了可调整的集合，可在总效应可识别时估计总效应。
Oct, 2023
提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。
Jun, 2023
本文提出了两个新的混合约束式和基于噪声的方法的框架，可以发现可能包含循环的摘要因果图。提供了两种混合算法，并在模拟数据，真实生态数据和各种应用程序的真实数据上进行了实验测试，结果表明，我们的混合方法具有稳健性，并在大多数数据集上产生良好的结果。
Jun, 2023
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
本文提出了扩展格兰杰因果关系方法，应用于多个混沌时间序列和其他非线性信号，同时在三个或更多时间序列的情况下提出了条件扩展格兰杰因果关系度量。
May, 2004
提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。
Jun, 2016
提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法，可以从大规模时间序列数据集中重构因果网络，从而在气候科学或神经科学等研究领域中识别因果关系。
Feb, 2017