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

本文介绍了基于深度学习的因果关系发现方法，从变量范式的角度将可能的因果发现任务分为三类，并针对每种任务定义并实例化相关数据集和最终的因果模型，并回顾了各种任务的现有因果发现方法。最后，提出了一些研究路线图以解决现有领域的研究空白，并指出未来的研究方向。

Sep, 2022

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

提出 Mining Causal Natural Structure (MCNS) 框架，通过内部因果关系方案在时间序列中发现因果关系结构，进而改善神经网络的性能，在时间序列分类任务中通过改进注意力机制、形状选择分类和修剪数据集等方式提高网络的准确性和可解释性，并提供时间序列和数据集的深入可靠总结。

Sep, 2023

使用CausalTime流程生成类似真实数据的时间序列，带有地面真实因果图以量化性能评估，该方法为实际应用中评估时间序列因果发现算法提供了可行的解决方案，并可泛化到广泛领域。

Oct, 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

我们在多元时间序列的非线性系统中通过组级别的干预，测试模型的不变性，识别变量组的因果方向，从而获得比其他应用组因果方法更显著的改进，并深入了解真实世界的时间序列。

Jan, 2024

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

提出了一种用于时间序列数据因果关系发现的深度学习方法，该方法在非平稳性和非线性性方面具有很好的性能，并能与领域理解达成一致。

Apr, 2024

通过预测任务和设计的多核因果卷积，CausalFormer学习时序数据的因果表达，并通过回归相关传播解释训练后的模型全局结构以构建因果图，从而在发现时序因果性方面实现了最先进的性能。

Jun, 2024