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

通过建立大脑网络连接图，提出了一种空间 - 时间有向无环图卷积网络（ST-DAGCN），结合基于非线性结构方程模型的大脑表征学习方法，以推断功能连接性和分类脑部功能磁共振成像时间序列，并在两个公共数据库上进行验证，结果表明 ST-DAGCN 在脑部功能磁共振成像分类中明显优于现有模型，同时学习到有意义的功能连接边以帮助理解脑活动模式和疾病机制。

Dec, 2023

本研究探讨了动态图数据上节点特征生成机制的学习问题，并提出了一种连续得分优化方法，名为 GraphNOTEARS，该方法有效地刻画了节点特征生成过程中的同时关系和时滞交互关系之间的 DAG 结构，可以在一个简洁的方式下展现特征生成过程。实验表明，该算法在模拟数据方面表现优异，并能够学习到来自真实世界数据集的节点之间的联系。

Nov, 2022

提出了一种脑扩散器，利用层次化变换器来估计轻度认知障碍（MCI）分析的有效连接；该模型通过堆叠多头注意力和图卷积网络来增强结构 - 功能互补性并提高噪声估计能力，并有效地捕捉大脑区域之间的单向和双向相互作用。

Dec, 2023

本文介绍了一种基于动态模态分解 (Dynamic Mode Decomposition) 算法的扩展版本 GraphDMD，该算法以一种可解释的方式从 fMRI 时间序列中提取动态网络模态和它们的时间特征。作者还开发了 DeepGraphDMD，这是一种基于自动编码器的深度学习模型，用于学习任意非线性图动态系统的 Koopman 特征值，并将非线性图的动态嵌入潜在的线性空间。作者通过模拟和 HCP 静息态 fMRI 数据的实验结果表明了 DeepGraphDMD 方法的有效性，并发现了两个与流体智力和晶体智力相关的重要网络模态，这为认知脑功能提供了新的见解。

Jun, 2023

本文提出了 Bayesian Causal Discovery Nets (BCD Nets)，它是一个用于估计线性 - Gaussian SEM 中描述一个 DAG 的概率分布的变分推理框架。本框架采用了连续松弛，适当的先验分布以及表达力强的变分族等重要设计，旨在解决实际情况下对潜在图进行的不确定性估计问题。最终实验表明，与基于最大似然的方法相比，BCD Nets 在低数据环境下的结构 Hamming 距离等标准因果分析评估指标上表现更好。

Dec, 2021

本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。

Jun, 2024

通过将上下文特征映射到加权邻接矩阵上的有向无环图（DAG），并利用具有新颖投影层的神经网络，我们提出了一种处理上下文 DAG 问题的方法，该方法确保输出矩阵稀疏并满足无环性质的最近发展算法，并为学习上下文 DAG 提供了可伸缩的计算框架，同时提供了收敛保证和反向传播投影层的解析梯度。实验结果表明，这种新方法可以在现有方法失败的情况下恢复真实的上下文特定图。

Oct, 2023

利用一种基于得分的方法来解决动态贝叶斯网络中的结构学习问题，该方法同时估计时间序列中变量之间的同步和时间滞后关系，并且在模拟数据和真实数据方面都具有较高的准确性和可扩展性，特别适用于需要学习变量间时间关系的多个问题。

Feb, 2020

通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

May, 2024