通过使用图神经网络 (GNN) 作为普通微分方程 (ODE) 函数，我们提出了因果图普通微分方程 (CAG-ODE) 模型，该模型能够捕捉多个代理间的连续交互，并学习时间相关的处理表示，从而实现对潜在结果的准确预测。通过引入两个域对抗学习目标以减少混淆偏差，我们的模型能够学习到平衡且不受处理或干扰影响的连续表示。在两个数据集（COVID-19 和肿瘤生长）上的实验证明了我们提出模型的出色表现。
Feb, 2024
借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。
Jun, 2022
我们提出了一种基于图神经常微分方程的协同过滤方法（GODE-CF），该方法通过利用一个或两个图卷积网络层捕获的信息来估计最终嵌入，并证明了该模型在多个数据集上优于竞争基线和其他最新的协同过滤方法。值得注意的是，我们的 GODE-CF 模型相对于传统的图卷积网络模型具有简单、高效和快速训练时间等多个优点，使其成为实际场景中的理想选择。
Nov, 2023
通过学习多智能体系统动力学，我们提出了 GG-ODE（广义图形常微分方程）机器学习框架，使用神经常微分方程（ODE）通过图神经网络（GNN）捕捉智能体之间的连续交互，并假设不同环境下的动力学都受到相同物理定律的支配。通过实验证明，我们的模型可以准确预测系统动力学，尤其在长期范围内，并能够很好地推广到观测数据稀缺的新系统。
Jul, 2023
通过连续学习模式切换图 ODE（MS-GODE）的新框架，能够持续学习不同动态的系统，并将系统特定的动态编码为模型参数上的二进制掩码，从而根据观测数据选择最可信的掩码，识别系统并相应地预测未来轨迹。
Jun, 2024
本文提出了一个针对动态系统的基于 Bayesian 原理的因果关系发现框架，采用生成流网络架构来学习循环图的贝叶斯后验概率，该框架通过时间建立自然的因果关系，并通过实验表明其与同类算法相比，能够更好的表征同时具有循环性和因果性的问题。
Feb, 2023
基于 G-Transformer 框架的对动态和时间变化的治疗策略进行反事实预测的研究中，通过模拟患者在感兴趣的治疗策略下的前进轨迹，使用 Transformer 架构捕获时间变化的协变量的复杂长程依赖并评估该框架的性能。
本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。
Apr, 2017
DyGRACE 是一种新颖的半监督图对因解释器方法，利用关于数据分布的初始知识在避免使用可能过时的决策函数的信息的情况下搜索有效的反事实，它通过两个图自编码器（GAEs）学习二元分类场景中每个类的表示，其方法独立于基础的黑盒预测模型，并且具有对比学习和漂移检测的能力，为半监督学习和解释生成开辟了新的途径。
Aug, 2023
该论文介绍了两种新颖的 TGNN（Temporal Graph Neural Networks）反事实解释方法：GreeDy（动态图的贪婪解释器）和 CoDy（动态图的反事实解释器）。实验证明，这两种方法能够有效生成清晰的解释。特别是，CoDy 在寻找显著的反事实输入方面优于 GreeDy 和现有的事实方法，其成功率高达 59％。这凸显了 CoDy 在澄清 TGNN 决策过程中的潜力，提高了它们在实践中的透明度和可靠性。
Mar, 2024