本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。
Jun, 2021
研究了图结构识别问题，通过观测到的时间序列，从线性随机网络动态系统的状态设置中获取组件，计算了特征向量，并使用这些特征来训练卷积神经网络进行因果推断，在各种网络上推广良好，可解决大规模系统中不能处理所有节点的问题。
Aug, 2022
本文提出了一个针对动态系统的基于Bayesian原理的因果关系发现框架，采用生成流网络架构来学习循环图的贝叶斯后验概率，该框架通过时间建立自然的因果关系，并通过实验表明其与同类算法相比，能够更好的表征同时具有循环性和因果性的问题。
Feb, 2023
本研究使用最优传递（OT）来研究从数据中学习因果结构的问题，提供了一种基于下三角单调参数传输映射的约束方法来设计对噪声分布无偏置的条件独立性检验，还提供了一种可以处理潜在变量的因果发现算法，并使用一种新方法来定义分数，与现有技术进行了实验结果比较。
May, 2023
从时域观测中识别动态因果效应，利用频域表示进行因果推断以及使用多元维纳投影进行图形重构。
Sep, 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
在网络化动力系统（NDS）中，每个节点是一个与相邻节点的动力学耦合的系统。我们提出了噪声相关性结构的可行性条件，其中存在一致的网络推断估计器以恢复观察节点之间的基本依赖关系。此外，我们描述了一种结构识别算法，该算法在网络连通性、可观测性和噪声相关性的不同情况下表现出竞争性能。
Dec, 2023
本文研究了计算机制的因果状态与随机动力系统的预测等价轨迹类之间的关系，提出了一种从不同观察和系统中直接推断因果结构的方法。通过引入因果扩散成分，该方法展示了如何从数据中提取预测特征，应用于多种案例，证明了其在面对广泛的维度和随机性时的有效性和鲁棒性。
Oct, 2024
本研究解决了从时间序列观察数据中发现潜在有向无环图（DAG）的挑战，特别是面对动态特性和复杂非线性交互的问题。提出的LOCAL方法通过构建准最大似然评分函数，首创性地实现了动态DAG的高效恢复，并通过适应性模块增强了无环性的代数特征。实验结果表明，LOCAL在性能上明显超越现有方法，展现出其在动态因果发现中的广泛应用潜力。
该研究针对从时间序列观测数据中发现潜在有向无环图（DAG）的难题，提出了新方法LOCAL。通过引入准最大似然评分函数和两种适应性模块，LOCAL在捕捉动态因果结构和提高计算效率方面具有显著优势，实验结果表明其性能优于现有方法。