因果推断、社交网络、链图
本文探讨了使用单个社交网络的观测数据进行因果效应的半参数估计和推断。在考虑样本大小增加时每个观测值对越来越多其他单位的依赖的同时，允许信息通过网络联系传输和节点共享网络联系的潜在相似性两种可能的依赖关系。提出了在社交网络环境下特别感兴趣的新的因果效应，如对网络联系和网络结构的干预，并用这种方法重新分析了使用 Framingham Heart Study 社交网络数据估计肥胖症因果同伴效应的一个具有影响力和争议的研究；在考虑网络结构后，我们没有发现因果同伴效应的证据。
May, 2017
本文研究社交图中相互关联的代理之间的因果影响，并考察社交学习模型和分布式决策协议的动态性，推导出表达式以揭示代理之间的因果关系并解释网络中的影响流动。结果依赖于图的拓扑结构和每个代理对于所解决的推断问题的信息水平。基于这些结论，本文提出了一种算法来评估代理的整体影响力以发现高度有影响力的代理，并提供了一种从原始观测数据中学习必要模型参数的方法。通过综合考虑合成数据和真实的 Twitter 数据，验证了结果和所提算法的有效性。
Jul, 2023
本文提出了一种非实验设置下绘制因果关系的方法，并展示了一个广义倾向得分估计器，该估计器允许我们估计连续治疗的直接效应和溢出效应，并研究了溢出效应如何塑造农业市场政策干预的最优水平。结果表明，在这种情况下，忽略干扰可能会导致在评估政策有效性时出现向下偏差。
Apr, 2020
本研究针对高维网络模型的估计问题，采用 Granger 因果模型框架，利用稀疏边缘和内在节点分组结构的假设，引入削减版本的 Group Lasso 估计器，发现了网络节点之间的 Granger 因果交互作用，并对其稳健性进行了渐近结果的开发。通过广泛的模拟研究和现有技术的比较，评估了该方法的性能。
Oct, 2012
在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设干预的效果，并准确反映因果估计的后验不确定性。
Feb, 2024
本文研究利用多元计数数据进行因果发现，引入个性化的二项式有向无环图模型以应对用户异质性和观测之间的网络依赖关系，通过将网络结构嵌入到降维协变量中来学习所提出的有向无环图模型，并探索方差 - 均值关系以确定节点的顺序。通过模拟实验证明我们的算法在异质数据上胜过现有的竞争对手，并在实际的网页访问数据集上验证了其实用性。
Jun, 2024
本论文综述了对社会传染病进行的研究，提出了人际社交网络可能表现出 “三度影响” 的属性，还回顾了社交网络数据中使用的统计方法以及当前的局限性，强调了发展新的方法来识别社交网络数据中的因果效应的重要性。
Sep, 2011
本研究提出了一种新的因果推断框架 —— 网络去混淆器 (Network Deconfounder)，它利用网络信息来辨识隐藏式混淆者的模式，从而进一步允许我们从观测到的数据中学习有效的单个因果效应。
Jun, 2019