使用不变预测进行因果推断：识别和置信区间
本文介绍了一种新的学习因果模型的方法，称为不变因果预测，该方法绕过了因果关系的多个环境，并针对非线性模型的情况提出了可行的解决方案，在基于世界人口预测的生育率建模中，使用非线性 ICP 模型来预测假设性干预的效果并确认了儿童死亡率的中心因果作用。
Jun, 2017
本论文讨论了概率不变性或稳定性的概念及其如何应用于因果推断与预测鲁棒性问题。同时提出了一种用于风险最小化问题的因果形式化方法，通过估计常常出现在数据收集中的异构性或扰动数据来确定这种不变性。此新方法在许多应用中具有潜在的实用价值，比标准回归或分类框架中的机器学习或估计方法提供了更强的鲁棒性和更好的因果解释。
Dec, 2018
本文探讨了如何通过建立因果推断模型来估算特征对结果的因果影响，从而实现个性化决策制定。同时，本文还研究了当该模型满足特定条件时，它可以像最先进的因果效应估计方法一样准确地估计特征的因果效应，呈现出良好的健壮性和可解释性。
Apr, 2023
近年来，对于在训练和测试数据之间分布变化下表现出鲁棒性能的统计方法引起了越来越多的关注。本文关注点预测的统计研究主要关注的是均方误差损失，而本文则将关注焦点转向概率预测，旨在全面量化给定协变量的结果变量的不确定性。我们在因果性启发框架下，研究了概率预测在适当评分规则下的不变性和鲁棒性。我们证明了任意的分布变化通常不具有不变且鲁棒的概率预测，与点预测的情况相反。我们通过说明如何选择评估指标并限制分布变化的类别，以实现在典型的高斯异方差线性模型中的可识别性和不变性。在这些发现的基础上，我们提出了一种能够产生不变概率预测的方法，称为 IPP，并研究了底层参数的一致性。最后，我们在模拟数据和单细胞数据上展示了我们提出的方法的实证表现。
Sep, 2023
本文提出了一种基于不变因果预测的主动学习框架（A-ICP），旨在帮助有效地选择实验以提高因果模型的可识别性，该框架依靠结构因果模型中干预对稳定集合发挥作用，并通过数个干预选择策略得以实现，实证分析证明所提出的策略在不同实验环境下均有良好表现。
Jun, 2020
我们考虑从观测数据中识别目标变量的因果父节点的任务，我们的主要假设是候选变量在不同环境中被观测到，不同环境可以被视为对观测系统的干预，我们假设目标变量和协变量之间存在线性关系，但在每个环境中可能不同，关键是因果结构在各种环境中保持不变，我们提供了因果父节点可辨识性的充分条件，并介绍了一种基于假设检验的实际方法 LoLICaP（本地线性不变因果预测），该方法利用最小值和最大值统计量的比率进行父节点识别，然后我们在简化的设置中展示了 LoLICaP 的统计功效以指数速度随样本大小收敛，并最后实验性地分析了 LoLICaP 在更一般设置下的行为。
Jan, 2024
应用贝叶斯框架构建了一个新的因果模型，利用可识别因果方向的贝叶斯模型选择方法，在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。
Jun, 2023