本文基于离散选择建模，针对整体权衡、最大化一致性或不一致性以及促进特定选择等问题，提出了一种优化框架，着重研究了直接更改选择集合对决策者群体偏好的影响，通过限制条件的引入，揭示了不同问题之间的基本边界，为难以解决的问题设计了近似算法，并展示了这些算法在现实世界的应用。

Feb, 2020

提供选择的替代方案是许多在线平台的重要组成部分，因此准确预测选择是其成功的关键。本文提出了一种学习框架，用于预测选择，具有准确性、多功能性、理论基础和良好的可扩展性。我们的建模要点是为了解释人类的选择，预测模型必须捕捉特定的集合相关的不变性，并且基于最近经济学研究成果，我们推导出一类可以表达任何行为选择模式的模型，具有良好的样本复杂性保证，并且可以高效地进行端到端训练。在三个大型选择数据集上的实验证明了我们方法的实用性。

Jun, 2019

探讨了当不知道所有混淆变量时，如何从二元治疗和其导致的结果之间进行可解释的因果推断；提出了使用双重处理样本的方法来应对选择性混淆，并通过理论误差边界和实证证据来验证方案的有效性，针对儿童安置场景引入了三种评估方法。

Oct, 2023

提出了一个去混淆因素的因果协作过滤模型，解决了现实场景下推荐系统可能遇到的无法观测到的混淆因素带来的问题，且在真实数据集上的实验证明了该方法能够更好地提高推荐效果。

Oct, 2021

给定一组选择，理解导致个人作出选择的因素至关重要，本研究提出了一种来自观察选择数据自动发现广泛上下文效应的方法，该模型易于训练，在现有模型上更灵活，可产生直观，可解释且统计测试的上下文效应。

Sep, 2020

研究了在因果推断中如何解决因果关系难以识别的问题，提出了协变量调整的图形标准并推导了一些相关的推论。

Mar, 2012

本研究旨在从原始选择数据中发现基于选择集的影响，并采用 CDM 模型对真实和模拟选择数据进行原则性探索分析。

Feb, 2019

提出了一种名为 SLFR 的新框架，通过解开用户偏好和未测量混淆因素的联系，识别反事实反馈，以捕捉用户的真实偏好，并在五个真实世界数据集上进行了广泛的实验证明了该方法的优势。

Nov, 2023

本研究介绍了一种新方法，使用实验数据来纠正更大的观测数据的因果效应模型中的隐藏混淆，证明了该方法的可行性，并使用一项大型教育实验中的真实数据证明了该方法的有效性。

Oct, 2018

用户偏好、推荐系统、混淆因素、因果图和潜在空间是本研究的关键词，研究探讨了混淆因素对用户偏好的影响和如何在潜在空间中建模，通过因果图的方式分离混淆因素和用户偏好。最后，提出了基于变分自动编码器的模型，命名为潜在空间中混淆因素的因果结构表示学习 (CSC)，通过实验证明了该模型的优越性以及对混淆因素的可控性。

Nov, 2023