使用 CausalTime 流程生成类似真实数据的时间序列，带有地面真实因果图以量化性能评估，该方法为实际应用中评估时间序列因果发现算法提供了可行的解决方案，并可泛化到广泛领域。
Oct, 2023
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
本研究提出了一种基于本地自发变化的方法，用于发现因果结构，并分析了与之相关的结构类别，设计了可以输出这些等价类的图形表示的算法，并使用模拟数据展示了实验结果，研究了变化检测和结构恢复的误差。
Jan, 2013
本文介绍了引人注目的因果发现算法，分为两大类：（1）假设无环和无潜变量，（2）允许循环和潜变量，并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。
Aug, 2017
使用因果发现算法对不同的信息技术监控数据集进行案例研究，突出了优势和挑战。
Jul, 2023
通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。
Nov, 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。
提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法，可以从大规模时间序列数据集中重构因果网络，从而在气候科学或神经科学等研究领域中识别因果关系。
Feb, 2017
从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。
本文介绍了一种用于从事件序列数据中恢复因果关系的可视化分析方法，它已将 Hawkes 过程的 Granger 因果分析算法扩展到包括用户反馈的因果模型细化，并具有一组新颖的可视化和交互。通过一系列的定量和定性评估以不同的应用领域中的案例研究来展示这一系统的实用性。
Sep, 2020