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

介绍了一种基于条件独立性的方法，可以从观测时间序列中发现线性和非线性的滞后和同时因果关系。方法名为PCMCI$^+$, 可以优化条件集合的选择并从自相关中受益，具有更高的邻接检测能力和特别是更多的同时因果关系检测精度， 同时更好地控制假阳性。

Mar, 2020

研究使用信息理论度量方法，在因果发现框架中使用PC和FCI算法构建基于任意延迟或瞬时关系的扩展摘要因果图，并通过模拟和真实数据集进行实验验证。

May, 2022

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

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

通过时间可变滤波器和稳态噪声，利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型，使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。

May, 2024

通过建立高阶马尔可夫切换模型的可辨识性，我们提出了基于制度依赖因果关系的发现方法，并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性，并对脑活动数据的适用性进行了说明。

Jun, 2024

在多元时间序列中，我们提出了一个两阶段的非参数算法，通过约束式探索方法首先学习因果结构的一部分，然后使用条件相对皮尔逊散度估计来识别变点。在合成和现实数据集上的实验验证了我们方法的正确性和实用性。

Jul, 2024