本文基于“因果独立性原则”，提出了一种新的时序数据因果推断方法，该方法并不依赖于噪声，而是从功率谱密度性质的不对称性入手，能够在确定性系统下使用。通过实验，该方法表现出了很好的效果。
Mar, 2015
本研究针对非平稳时间序列的因果关系发现和预测问题，提出了一种基于状态空间模型的方法，利用非平稳的性质来确定因果结构，将预测问题视为因果模型的贝叶斯推断问题，并在合成数据和真实数据集上进行了实验验证。
May, 2019
提出了一种基于共享动态的时序数据因果发现新框架，能够通过一个单一的学习模型有效识别不同样本之间的因果关系，从而在因果发现性能等方面取得了显著的提升，并可处理噪声和隐藏混淆等问题。
Jun, 2020
通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。
Oct, 2020
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
我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。
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
本文研究了干预对动态系统因果效应的时间估计，填补了传统模型在时序数据处理中的不足。我们提出了一种新的因果VAR框架，能够从观察性时间序列数据中准确推断因果效应，实验结果表明该方法在预测和因果推断方面表现优异，具有重要的实用性和应用潜力。
Oct, 2024
本研究探讨了机器学习中因果关系常常假设为恒定过程的局限，提出了元因果状态的概念，以分析因果图中的定性变化。通过从观察到的智能体行为推断元因果状态，本文展现了这些状态如何从未标记数据中分离出来，并且首次说明元因果状态不仅由外部因素引起，还可能源自动力系统的内在动态，具有重要的应用潜力。