提出了一个用于表示随机过程网络的图形模型 —— 最小生成模型图。该模型是基于时间上联合分布的简化因子化建立的，可以量化 Granger 因果性，并开发了高效的方法来从数据中估计拓扑结构。该算法已在 Twitter 网络的分析上得到了验证。

Apr, 2012

自动流程发现关注业务流程性能，其中等待时间至关重要。本文提出了一种能够明确与时间轴对齐的自动构建流程模型的方法，并以直接后继图为例证。通过对两个 BPIC 数据集和一个专有数据集的评估，突出了该表示方法相较于标准布局技术的优势。

Dec, 2023

提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。

Oct, 2022

本文提出了一种名为 ' 深度图随机过程（DGP）' 的贝叶斯非参数深度学习方法，通过该方法，可以生成无限数量的概率图表达感知，进而提供一种方法来处理语音模型中的感知图表征和关系。结果表明，该方法在自动语音识别和声学模型领域中具有很好的效果和优势。

Jul, 2020

通过曝光由动态因果图表示的知识，以增加神经代理的可解释性并提供更好的解释能力，我们设计了一种自解释的模仿学习框架，能够学习动态因果图以理解模仿学习的决策过程并保持高预测准确性。

Sep, 2023

介绍一种结合生成和动态观点的图变换模型构建方法，通过对输入的动态属性进行压缩构建兼容模型，该方法采用一种启发式的方法将图变换模型推演问题转化为已知问题的集合覆盖问题。

Apr, 2024

该篇论文介绍了一种针对工业应用量身定制的从时间序列数据中自动学习知识图谱的框架，该框架通过解决工业数据固有的复杂性将其转化为知识图谱，从而提升决策制定、过程优化和知识发现；此外，它还利用格兰杰因果关系识别可以为预测模型设计提供指导的关键属性；为了说明我们的方法的实际效用，我们还呈现了一个现实世界工业场景下应用框架的激励案例；此外，我们演示了如何将时间序列数据自动转换为知识图谱，以识别重要过程参数之间的因果影响或依赖关系。

Jul, 2024

本文提出了一种新的整数线性规划模型，以寻找关于依赖性度量的最优图弧集合；同时，该方法还可以解决现有方法无法完全处理的一些其他问题，如循环依赖。经评估，该方法的输出在适应性、精确性和特别是简易性方面优于最具代表性的依赖性图发现方法的输出。

Mar, 2022

我们提出了一种系统的方法来揭示真实的业务过程的因果关系，通过利用现有的因果发现算法和活动时序，发现了现有的过程挖掘发现算法生成的模型与因果业务过程模型不一致的情况，并演示了如何在挖掘过程模型中注释这些不一致性的方法。

Oct, 2023

提出一个新的混合模型，该模型将图推断与学习逆模型相结合，用于 Kalman 滤波器并通过交叉验证来平衡图推断和学习推断的工作量，实验表明，该模型可以比独立运行的学习或图推断更准确地估计失真的 Lorenz 吸引子的轨迹。

Jun, 2019