利用CausalKinetiX计算框架，可以从离散时间、噪声观察数据中识别动力学系统结构并生成一个基于因果的动力学模型，提升了预测性能以及实验之外的泛化能力。

Oct, 2018

本文提出了一个针对动态系统的基于Bayesian原理的因果关系发现框架，采用生成流网络架构来学习循环图的贝叶斯后验概率，该框架通过时间建立自然的因果关系，并通过实验表明其与同类算法相比，能够更好的表征同时具有循环性和因果性的问题。

Feb, 2023

通过数据驱动算法和高性能计算，我们构建了一个基于时空光锥的框架，用于实现新现象的自组织，并且本文指出局部因果状态可以在复杂的时空系统中捕捉有序行为和一致结构。在二维湍流方面，我们证明了局部因果状态捕捉了涡旋及其幂律衰减行为，而在应用方面，我们演示了局部因果状态可用于识别已知（飓风和大气河流）和新的极端天气事件，并且可以通过高分辨率气候数据进行时间跟踪。

Apr, 2023

本文回顾了物理学领域关于因果关系和方程式发现的概念、方法和相关工作，在地球和气候科学、流体动力学与力学以及神经科学等领域展示了一系列案例，展示了有效地利用观测数据、现代机器学习算法与领域知识的互动等方面，揭示了通过观察自然现象发现根本定律和因果关系的过程正在通过更好地利用观测数据、先进的机器学习算法和与领域知识的互动得到革命性的变革。

May, 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

通过对观测节点的时间序列数据进行特征嵌入和聚类，解决了具有噪声相关性和部分可观测性的线性网络动力系统中隐藏因果网络的学习问题。

Dec, 2023

利用基于核函数的条件独立性测试以及基于约束的因果发现算法，本文致力于从随机动力系统中推断因果结构，证明在路径空间中，我们提出的条件独立性测试相较于现有方法表现优秀，并在允许循环的随机动力系统中，利用时间信息恢复出完整的有向图，通过实验证明我们开发的条件独立性测试结合因果发现算法在多种场景下可靠地优于基线模型。

Feb, 2024

基于新的等效形式主义，提出了一种新的因果生成模型，利用拓扑排序从观测值中推断顺序，设计了基于Transformer的架构来学习固定点结构因果模型，并通过广泛的评估表明该模型在生成的超出分布问题中胜过多个基准模型。

Apr, 2024

使用基于数据驱动的随机变分深度核学习以及递归版本，提出了一种构建ROMs的方法，能够对物理资产的复杂动态进行精确描述，并具备去噪、重建、学习紧凑表征系统状态、预测以及量化建模不确定性的能力。

May, 2024

通过多个同步异构数据流处理，确定共同观测变量和各自观测变量，从而建立动力学模型并利用数据驱动的函数逼近技术来学习输入输出关系。

Jun, 2024