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

本文研究了因果模型下的函数估计问题，进一步探讨因果知识对半监督学习、知识迁移和协变量转移等问题的影响，并通过实证结果支持了半监督学习的假设。

Jun, 2012

研究表明在模仿学习中，学者提出了一个非参数图形标准来确定模仿的可行性，并建立了一个有效的程序来从专家轨迹中学习模仿策略。

Aug, 2022

本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

Mar, 2022

论文探索了半监督持续学习方法，该方法能从标记数据中预测未标记数据的梯度，进而将未标记数据应用到有监督持续学习中。实验结果表明，未标记图像可以增强持续学习模型对未见数据的预测能力并显著缓解灾难性遗忘。

Jan, 2022

本文提出了一种机器学习模型稳健性的框架，通过人类关于因果关系的常识知识来解决模型在训练和测试过程中的不一致性问题。透过在每个训练数据中加入人类标注的潜在未测变量，将问题转化为协变量转移问题，并引入分布稳健优化目标来控制测试时偏移的最坏情况损失，实验结果表明，在具有旋转混淆的数字识别任务和分析 NYPD 警务巡逻地点混杂的任务中能获得 5-10% 和 1.5-5% 的性能提升。

Jul, 2020

本文探讨了如何从多个数据集和关于基础数据生成模型的定性假设组合中学习出强健、通用的预测模型。通过定义不同的不变性特性，我们的方法旨在在未观察到混淆因素的情况下建立因果性的解，从而连接数据分布的一组仿射组合上的显式分布鲁棒优化问题。我们在医疗保健数据上展示了我们方法的实证表现。

Jul, 2020

通过多个同步异构数据流处理，确定共同观测变量和各自观测变量，从而建立动力学模型并利用数据驱动的函数逼近技术来学习输入输出关系。

Jun, 2024

本文针对协变量偏移问题提出了一种半生成模型，该模型能够利用未标注的数据进行自适应学习和半监督学习，并且通过学习原因和影响同时作用的形式，解决了因果推理问题和领域转移问题，实验表明该方法在分类任务中具有显著优势。

Jul, 2018

本文提出了一种正式的潜在结果框架，用于接受不完美的代理变量并解决观察性研究中因未测偏差而引起的因果推断问题。通过引入足够的条件来实现非参数识别，并给出了相应的算法进行估计，其中包括对点处理和时变处理设置的处理，以及给出了使用近端 g 计算方法计算因果效应的应用案例。

Sep, 2020