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

本文提出了一个有原则的框架来处理非平稳数据，并开发了一些方法来处理三个重要问题：检测局部机制不平稳的变量以及恢复观测变量之间的因果结构，通过利用变化分布所携带的信息确定某些因果方向，以及开发可视化因果模块的非平稳方法。作者通过各种合成和真实世界数据集的实验结果来展示这些方法的有效性。

Sep, 2015

本文提出了一种基于神经网络方法的动力学系统研究方法，避免了传统模型建立过程中的假设。实验表明，该方法能够正确检测时间序列系统的动态信息流，尤其是在涉及冗余变量的情况下具有显著的优越性。

Jul, 2015

本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

Jan, 2023

提出了一种用于时间序列数据因果关系发现的深度学习方法，该方法在非平稳性和非线性性方面具有很好的性能，并能与领域理解达成一致。

Apr, 2024

通过建立高阶马尔可夫切换模型的可辨识性，我们提出了基于制度依赖因果关系的发现方法，并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性，并对脑活动数据的适用性进行了说明。

Jun, 2024

该研究提出了一种新颖的基于约束条件的因果发现方法，用于自相关和非平稳时间序列数据中的模块变化检测和因果关系识别。

Feb, 2023

本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法，该方法能够在少量的步骤内保证求解正确，能够处理连续变量之间的因果关系。

Jan, 2011

提出了一种新的约束条件因果推断方法 eCDANs，旨在解决传统时态因果推断方法的问题，具有检测迟滞和同时因果关系以及时间变化的能力。实验表明该方法能够识别时间影响并优于基线方法。

Mar, 2023

本文提出了一种基于约束的因果发现框架，称为 CD-NOD，用于从异构 / 非平稳数据中查找原因骨架和方向，并估计机制变化的属性。该方法在各种合成和真实数据集上进行了实验验证，证明了其有效性。

Mar, 2019