通过交换性实现可处理性：高效概率推断的新视角
在非独立同分布数据的情景中，我们研究因果效应的估计，重点关注满足独立因果机制假设的可交换数据。为了弥补现有因果效应估计框架的不足，我们开发了针对可交换数据的广义框架，并引入了截断因式分解公式，以促进在我们的情景中对因果效应的识别和估计。为了说明潜在的应用，我们介绍了一个因果泊利亚球模型，并展示了干预在可交换数据设置中如何传播效应。最后，我们开发了一个算法，可以在多环境数据中进行同时因果发现和效应估计。
May, 2024
引入了可交换变量模型 (EVMs) 作为一类新型的概率模型，证明了一族可处理的 EVMs 在零一损失下对于包括奇偶性和阈值函数等大类函数是最优的，并严格包括现有的独立性模型家族，实验证明 EVMs 比仅基于独立性假设的状态艺术分类器如 SVM 和概率模型表现更好。
May, 2014
本文致力于在线测试数据交换性假设，通过构造交换性鞅并提供一些新的方法来测试其假设。我们的鞅方法与之前介绍的假设检验方法相比具有更高的灵活性，在 USPS 和 Statlog 卫星数据两个基准数据集上取得了良好的结果。
Apr, 2012
本文介绍了一种基于测量协变量的局部因果推断框架，其中正式承认协变量测量是难以完美匹配真实混淆机制的，为在基于观测数据的因果推断中提供新的思路。作者提出了一套非参数近端推断的条件，建立了平均处理效应的半参数近端推断理论，以及多种相容性分析方案，并在模拟情境和实际数据集评估中予以展示。
Nov, 2020
该研究利用交换神经网络，实现了基于模拟数据的统计推断，旨在解决高维变量积分与数据置换不变性问题，取得了在重组热点测试问题上领先于现有技术的成果。
Feb, 2018
我们提出了一种高度相关的统计学习理论，其中假设是图，超图或更一般的有限关系语言中的结构，并用采样诱导的子结构代替 i.i.d. 采样，产生可交换分布。通过将高度相关的 PAC 可学习性以纯组合维度的有限性和适当的均匀收敛版本的条件来特征化，我们证明了统计学习的基本定理的高度相关版本。
Feb, 2024
本文提出一种新的针对预测模型的 Conformal prediction 泛化方法，通过引入加权分位数来抵御数据分布漂移的影响，同时设计一种新的随机化技术，允许不对称处理数据点的算法。实验表明，该方法在数据点不可交换的情况下具有较高的鲁棒性，并且在数据点可交换情况下达到了与现有方法相同的覆盖率保证。
Feb, 2022