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

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

介绍了一种基于条件独立性的方法，可以从观测时间序列中发现线性和非线性的滞后和同时因果关系。方法名为 PCMCI$^+$, 可以优化条件集合的选择并从自相关中受益，具有更高的邻接检测能力和特别是更多的同时因果关系检测精度， 同时更好地控制假阳性。

Mar, 2020

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

本文提出了一种新的因果模型 Unique Causal Network，解决了基于贝叶斯网络的模型在因果解释性上存在的问题，同时提出了基于高阶因果熵算法的分布式 UCN 结构识别方法，用于处理非平稳时间序列数据，实验证明该方法在非平稳时间序列数据上具有最先进的准确性。

Nov, 2022

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

通过对复杂动态系统中非线性和非平稳性交互的评估，我们引入了用于因果推断的时间自编码 (TACI) 方法，该方法结合了一种新的代理数据度量因果交互和一种新的双头机器学习架构来识别和测量时间变化的因果交互的方向和强度。通过对合成数据集和实际数据集的测试，我们证明了 TACI 在准确量化各种系统中的动态因果交互方面的能力。我们的研究结果显示了该方法相对于现有方法的有效性，并凸显了我们的方法在建立对物理和生物系统中时间变化交互机制的更深入理解方面的潜力。

Jun, 2024

提出一种泛化线性结构因果模型，通过新型数据自适应线性正则化，从时间序列中恢复因果有向无环图。

Jun, 2021