通过时间信息学习潜在因果变量的变化规律，使用因果过程先验引入约束来实现条件满足，达到从非线性混合数据中可靠地识别因果潜在过程的目的。

Oct, 2021

在非平稳环境中，本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设，表明在温和条件下，可以从非线性混合中恢复独立的潜在成分，而无需观察辅助变量。我们还提出了 NCTRL，一种基于原则的估计框架，仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明，我们的方法可可靠地识别时间延迟的潜在因果影响，并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。

Oct, 2023

提出了一种名为 IDOL 的可用于识别瞬时潜在动态的识别框架，借助于稀疏影响约束和基于时间序列数据的上下文信息建立了潜在因果过程的可辨识性结果，通过时间变分推断架构和基于梯度的稀疏规则识别潜在因果过程。在模拟数据集上的实验结果表明，我们的方法可以识别潜在的因果过程，并且在具有瞬时依赖关系的多个人体运动预测基准测试中的评估结果表明了我们方法在现实世界环境中的有效性。

May, 2024

本文提出了一种名为 MuLTI 的新型框架，利用对比学习技术来反转数据生成过程以提高可识别性，并采用置换机制通过建立最优传输公式合并相应的重叠变量，从而在合成和真实世界数据集上展示了我们方法在多视图时间序列中恢复可识别潜在变量方面的卓越性能。

May, 2023

该论文研究因果关系表示学习，通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系，假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念，并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。

Nov, 2023

该研究延伸了 Khemakhem 等人在非线性 ICA 方面的重大成果，并应用于真实世界数据。研究表明，通过修改 RealNVP 不可逆神经网络体系结构，可以在一定程度上自动地将信息性的潜在变量从噪声中分离出来，并与生成过程的真实潜在变量一一对应。

Jan, 2020

提出了一种不变因果表示学习 (iCaRL) 方法，通过利用广义指数族分布得出数据表示，可以在非线性场景中实现超出分布的泛化，并发现目标的全部直接原因，针对合成和真实数据集提出性能优于基线方法的实验结果。

Feb, 2021

本文提出了一个名为 LiLY 的框架，用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题，该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后通过利用识别出的因果结构，将更正步骤进行公式化，将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改，并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来，通过利用这种模块化的变化表示，我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。

Feb, 2022

研究在具有潜在变量的线性非高斯无环模型 (LiNGAM) 中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况，对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化，并提出了有效的算法来验证图形条件。最后，提出了重建独立成分分析 (RICA) 算法的改进版本，该算法可从观测数据中估计因果效应，并通过实验证明了所提方法估计因果效应的有效性。

Jun, 2024

最近，非线性独立成分分析（nonlinear ICA）已经成为深度表示学习和特征解缠中许多启发式模型的热门替代方法之一。本文介绍了一种新的非线性 ICA 框架，采用适用于具有高维度依赖结构的数据的 $t$-process (TP) 潜在成分。我们发展了一种新的学习和推理算法，将变分推断方法扩展到将深度神经网络混合函数与 TP 先验结合起来，并采用诱导点的方法以提高计算效率。在理论方面，我们证明了这些 TP 独立成分在非常普遍的条件下是可识别的。此外，高斯过程（GP）非线性 ICA 被建立为 TP 非线性 ICA 模型的极限，并且我们证明了该 GP 极限下潜在成分的可识别性更受限制。也就是说，只有当这些成分具有不同的协方差核时，它们才是可识别的。我们的算法和可识别性定理在模拟空间数据和真实的时空数据上进行了探索。

Nov, 2023