本文提出 Causal Structure Learning (CASTLE) regularization 对神经网络进行因果关系约束，实现变量之间的因果关系的发现，提高模型泛化能力。CASTLE regularization 能有效地恢复只有因果关系的因素，而网格化的正则化方法只能恢复所有输入功能。理论分析和实验证明，与其他流行的基准约束相比，CASTLE 能够更好地预测测试集并具有更好的泛化性能。

Sep, 2020

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

通过组织 shapelets 并使其在不同时间上竞争来构建多样的特征表示，Castor 算法利用 shapelets 对时间序列进行转换，通过广泛的实证研究证明 Castor 提供了比多个最先进的分类器更准确的转换，并且在广泛的消融研究中，我们检验了选择超参数的影响并提供了准确且高效的默认值。

Mar, 2024

Caformer 是一种从因果性角度进行时间序列分析的新框架，该框架包括动态学习器、环境学习器和依赖关系学习器，能够有效地捕捉跨维度和跨时间的依赖关系，并解决环境因素引起的伪相关问题。该方法在长期和短期预测、补全、分类和异常检测等五个主流时间序列分析任务中表现出一致的最先进性能和合适的解释性。

Mar, 2024

通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。

Oct, 2023

通过使用因果治疗，本文提出了一种名为 CaST 的新框架来解决时空图预测中的时间分布外问题和动态空间因果问题，该框架通过建立结构因果模型来解析 STG 的数据生成过程，使用新的解缠结块通过反门调整来处理时间分布外问题，并利用前门调整和 Hodge-Laplacian 操作符进行边级卷积，以模拟因果效应的涟漪效果。在三个真实数据集上的实验证明了 CaST 的有效性和实用性，并且在解释性方面表现出色。

Sep, 2023

利用 CausalKinetiX 计算框架，可以从离散时间、噪声观察数据中识别动力学系统结构并生成一个基于因果的动力学模型，提升了预测性能以及实验之外的泛化能力。

Oct, 2018

提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。

Jun, 2023

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。

Oct, 2023

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