通过行动、潜在状态和测量这些方面的简单模型，我们证明仅仅依靠结果预测很少能够产生采取行动的最佳策略，即使与其他测量相结合。在具体个案中，即使因果机制将个体的潜在状态与结果联系在一起，从潜在状态的预算测量结果推断出适用于个体的多种可能干预行动中的最佳行动仍然是从预测结果获取所需效果的最有效策略。通过针对可行行动和潜在状态的了解，与结果预测相比，可显著提高行动效用，改善程度取决于行动成本和结果模型。这一分析强调在干预环境中超越通用的结果预测，融入对可行行动和潜在状态的知识的必要性。

Sep, 2023

本文提出了一种基于因果关系的预测与交互模型，不需要使用任何辅助模型，可帮助专家和非专家用户深入理解模型，通过进行 think-aloud 会话和用户研究，我们证明了我们的方法具有很好的可行性。

Jan, 2021

该研究提出了一种基于形式验证的算法，使用逻辑公式表示距离函数（目标）和预测模型（约束），解决满足性问题生成最接近的反事实解释，能够生成可行的多样化反事实解释来满足 100% 的覆盖率。

May, 2019

在临床试验结果预测中，将不确定性量化、选择性分类和层次交互网络（HINT）相融合的方法显著提高了模型的性能，其中 PR-AUC 指标相对基础模型提高了 32.37％、21.43％和 13.27％，在预测 III 期试验时达到了 0.9022 的 PR-AUC 得分，表明该策略在临床试验预测领域具有鲁棒性和前景潜力。

Jan, 2024

本文考虑了涉及结果变量的公平统计推断问题，并讨论了因一些协变量（敏感协变量）可能导致歧视造成的公平性问题。通过学习一个满足约束条件的最优化问题，可以得到公平的结果模型，但是也存在一些复杂性和近期因果和半参数推断的工作相关的问题需要解决。

May, 2017

介绍了一种算法设计范例 —— 基于学习预测器的算法，将在线学习技术应用于预测器学习、调整鲁棒性 - 一致性折中并绑定样本复杂度，在构建优美的预测器的同时，在二分图匹配、滑雪租赁、页面迁移和作业调度等多场景中优化了多个现有结果，且提供了第一批基于学习理论的担保。

Feb, 2022

本文介绍了一种基于模式化集成的另类方法 Caus-Modens，用于表征因果结果区间，并在三个独立基准测试中表明其优越性及实用价值，其中最后一个基准测试是使用 GPT-4 进行未知但可验证真实性的观察实验。

Jun, 2023

本文提出了一种解释性度量方式并应用于基于过程的结果预测领域，然后通过对 13 个现实事件日志的实验测试七个分类器和可解释技术，提供了一个名为 X-MOP 的指南，以选择合适的模型。

Mar, 2022

以人工智能和机器学习为基础，本文研究了预测后推断问题的统计挑战，包括预测结果与真实结果之间的关系、机器学习模型对训练数据的鲁棒性以及将预测的偏差和不确定性传播到最终推断过程中。同时与传统领域的相关研究进行对比，揭示了设计在经典和现代推断问题中的作用。

Jan, 2024

如何在设计在线算法中最佳利用不确定性量化预测，以及如何利用更一般形式的不确定性量化，提出了基于在线学习的框架来在多实例场景中学习如何充分利用不确定性量化作出最佳决策。

Oct, 2023