本文提出了一种基于非参数发散度估计的新型统计变点检测算法，该方法使用相对Pearson发散度作为发散度度量，并通过直接密度比估计方法精确而高效地估计，实验结果证明该方法在人类活动感知、语音和Twitter消息等人工和真实数据集上是有用的。

Mar, 2012

本文提出了一种基于约束的因果发现框架，称为CD-NOD，用于从异构/非平稳数据中查找原因骨架和方向，并估计机制变化的属性。该方法在各种合成和真实数据集上进行了实验验证，证明了其有效性。

Mar, 2019

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

本文介绍了一个用于评估现有的变点检测算法在现实世界数据上表现的数据集，并提出了应用于多个基础真实数据的基准研究，旨在成为新变点检测算法的试验场。

Mar, 2020

该研究提出了一种新颖的基于约束条件的因果发现方法，用于自相关和非平稳时间序列数据中的模块变化检测和因果关系识别。

Feb, 2023

本文介绍了一种新的方法来发现多元时间序列数据中的因果关系，该方法结合因果发现算法和基于信息论的度量，可以推断线性和非线性关系以及构建潜在的因果图。我们在几个模拟数据集上评估了我们的方法的性能，并展示了有希望的结果。

May, 2023

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

Causal Pretraining explores supervised learning to discover causal relationships from time series data, demonstrating that performance increases with data and model size and suggesting the potential for a foundation model for causal discovery.

Feb, 2024

从非平稳时间序列中发现因果关系的算法PCMCI$\Omega$能够捕捉交替和循环的因果机制变化，并通过条件独立性测试识别出潜在的因果图。

Jul, 2024