CUTS+：从不规则时间序列中进行高维因果发现
本研究测试了一种基于神经网络的数据驱动因果关系发现方法，证明其比现有的人工设计的方法在神经网络和医学数据中表现更优秀。结果表明在已知因果关系的大数据集的监督下，学习因果发现程序是改进神经学和医学数据中因果关系的新途径。
Sep, 2022
本文提出了一种基于深度学习技术的因果推断方法，用于处理高维复杂数据，包括稀疏深度学习理论和随机神经网络，通过这些技术，该方法能够一致地解决高维度和未知数据生成过程的问题，并在存在缺失值的数据集中表现优于现有方法。
Mar, 2024
我们定义了一种新颖的因果图分区方法，利用超结构的概念对搜索空间进行划分，证明了使用因果图分区进行学习总是得到真实因果图的马尔可夫等价类，我们的算法在生物调节网络推断和其他高维结构假设空间中实现了可比较的准确性和更快的解决时间。
Jun, 2024
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
研究使用信息理论度量方法，在因果发现框架中使用 PC 和 FCI 算法构建基于任意延迟或瞬时关系的扩展摘要因果图，并通过模拟和真实数据集进行实验验证。
May, 2022
我们在多元时间序列的非线性系统中通过组级别的干预，测试模型的不变性，识别变量组的因果方向，从而获得比其他应用组因果方法更显著的改进，并深入了解真实世界的时间序列。
Jan, 2024
我们提出了一种名为因果感知神经网络（CINN）的通用方法，用于将观测变量之间的层次化因果结构编码到神经网络中，从而提高其预测性能。通过将因果性结构化知识映射到神经网络的逐层设计中，CINN 通过连续优化问题将因果关系发现转化为定向无环图（DAG）学习来系统地从观测数据中发现因果关系，并通过专用架构和定制的损失函数将发现的层次化因果结构编码到神经网络中，实现了中间节点和叶节点的联合学习，显著提高了预测性能。
Nov, 2023
提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。
Oct, 2022
本文提出了一种深度神经体系结构，结合经验数据和先前的因果知识，从而学习变量之间的因果关系，并通过卷积和图神经网络在因果风险框架内提供了一种灵活和可扩展的方法，Empirical results include linear and nonlinear simulations (where the underlying causal structures are known and can be directly compared against)，特别的，在生物医学领域的实验验证结果表明，深度学习方法能够应用于学习包含数千个变量的大规模问题中的因果网络
Dec, 2022