序列数据的不变因果预测
研究了针对一些未观测到的 (离散值) 直接因素的线性切换回归模型的 MLE 的存在性、一致性和渐近正态性的充分条件，构建了一种测试工具以及一种因果发现算法，并测试发现该算法在模型违规的情况下也具有鲁棒性，且表现优于现有的方法，同时还能够对数据点进行基于过程的聚类。
Aug, 2018
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
通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。
May, 2023
利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。
Jan, 2015
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
本文探讨了对时间序列中的直接和间接原因的识别，并在图形限制下提供了必要且充分的潜变量条件。我们的理论结果和估计算法需要两个条件独立性测试才能确定观测到的候选时间序列是否是观测到的目标时间序列的原因。通过模拟和真实数据，我们的实验结果表明，我们的方法导致假阳性非常低，相对较低的假阴性率，优于广泛使用的 Granger 因果关系。
May, 2020
通过调整回归分析中的稳定和不稳定预测来考虑不同实验或环境的分布变化，引入了稳定回归分析的方法，使之前未见过的环境下的回归能力得到优化，应用于系统生物学研究中的假设生成并与因果模型建立理论关联，给出了优化的稳定点，并证明了在该点回归预测模型的预测误差最小。
Nov, 2019
研究对于在测试和训练分布不同时的结构因果模型中预测响应变量和协变量之间关系的问题，提出了基于因果回归模型和最小化最坏风险的方法，并且介绍了一个配合数据实现最小化风险的框架和方法 NILE。
Jun, 2020
本文研究了在训练数据与测试数据分布不同的情况下，利用 anchor regression 方法通过使用外生变量来预测响应变量，并提高其可复现性和分布鲁棒性。
Jan, 2018