非高斯有向无环图的结构迁移学习
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
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
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
通过引入可变自动编码器的图神经网络模型，本文提出了一个生成模型，这个模型可以自然地处理离散和向量值变量，并通过在合成数据和基准数据集上进行实验，证明了方法的准确性和效果。
Apr, 2019
本篇论文研究了如何在 Transformer architecture 中注入图形结构偏差以更好地处理基于有向无环图的数据，包括构思了一个有效的注意机制来捕捉 DAG 的结构并提出了一种部分顺序的位置编码方法。作者在实验中证明了这个框架能够改善各种基线 transformers 的效果并使图 transformers 竞争力更强。
Oct, 2022
本研究旨在解决具有异方差噪声的因果结构学习问题。通过利用因果机制的正态性，我们可以恢复一个有效的因果排序，并使用一系列条件独立性检验唯一地识别因果有向无环图。结果是 HOST（异方差因果结构学习），一种简单而有效的因果结构学习算法，可以在样本大小和维度上呈多项式规模扩展。通过广泛的实证评估，我们展示了 HOST 方法在因果顺序学习和结构学习问题上与最先进的方法相比具有竞争力。
Jul, 2023
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
使用有向无环图 (DAGs) 编码训练集的特征概率分布和独立性的方法 (DAGnosis) 能识别和处理数据在部署时的不一致性问题，并解决了数据中心方法在特征具有统计独立性的情况下的子优化问题，同时定位了为何样本会因不一致性而被标记的原因，提供了更准确的检测方法和更详细的洞察。
Feb, 2024