这篇论文提出了一种非参数基线模型用于时间序列预测，通过从经验分布中采样生成预测，避免了传统模型的数值稳定性问题。该方法还开发了利用多个相关时间序列自动学习采样策略的全局版本。实验证明，该方法在所有数据集上表现出一致且合理的性能，是一个强大的基准模型。

该研究探讨了在非参数因果潜在模型和潜在数据映射到观测数据的变换模型下的因果表示学习。通过使用潜在因果图中每个节点的两个硬解耦干预，建立了可识别性和可实现性结果。

该研究提出了一个框架，用于从数据中学习稀疏的非参数有向无环图（DAG），适用于各种非参数和半参数模型，包括GLMs、加性噪声模型和索引模型等特殊情况。代码可在指定网址获得。