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。
Oct, 2023
本文提出了一种基于数据驱动的两阶段多分割因果推断集成模型，结合了不同因果基本算法的优势，通过数据划分方案降低噪音影响。在多个指标的评估下，通过实验发现我们的因果集成方法在不同情况下均优于各个基本算法，可实现更强大和可靠的因果关系推断。
Mar, 2024
我们研究了如何通过观测多变量时间序列数据自动发现 Granger 因果关系的问题，并提出了一种新的具有层次图先验的贝叶斯 VAR 模型来推断二值 Granger 因果图的后验分布。我们的方法在稀疏多变量时间序列数据上提供更好的不确定性量化，具有更少的超参数，并取得了比竞争方法更好的性能。
Feb, 2024
本文提出了一种基于深度学习技术的因果推断方法，用于处理高维复杂数据，包括稀疏深度学习理论和随机神经网络，通过这些技术，该方法能够一致地解决高维度和未知数据生成过程的问题，并在存在缺失值的数据集中表现优于现有方法。
该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。
May, 2020
本文从因果关系的角度出发，将异常检测问题视为不遵循正常因果机制来生成多变量数据的实例，并提出了一种基于因果关系的框架来检测异常和根本原因。
Jun, 2022
提出了一种高效的非线性建模方法，通过线性 VAR 过程和分量间非线性映射来生成时间序列，并使用定制算法解决优化问题，提高了 VAR 系数的支持识别和时间序列预测能力。
Sep, 2023
本文提出了一种基于自解释神经网络的非线性动力学下多元格兰杰因果推断的新框架，该框架除了关系推断外，还允许检测格兰杰因果效应的符号并检查其随时间的变化，通过模拟数据等实验表明该框架与其他基线方法相比在推断格兰杰因果性方面具有相当的性能，并在推断交互符号方面取得更好的表现，这表明本框架是推断格兰杰因果性的可行且更易解释的替代方法。
Jan, 2021
本研究基于异质干预时间序列数据，提出了一种理论上有根据的方法，用于推断 Granger 因果结构并识别未知目标。进一步揭示了学习 Granger 因果结构与恢复干预目标之间的相互促进关系，并在比较实验中证明了我们的方法在学习干预时间序列数据中的 Granger 因果结构方面优于其他鲁棒基准方法。
Jun, 2024