观察性研究常常存在客观性问题，本文讨论了如何通过仔细设计的方案来近似随机化实验，以获得更准确的因果推断。涉及的问题包括关键协变量数据缺失、治疗和对照组关键协变量分布的重叠度分析等，同时提出了可能的解决方案并分析了潜在结果的定义和因果效应的关键问题。

Nov, 2008

本文提出将 Bayesian 因果发现方法融入到贝叶斯优化实验设计框架中，可以在选择干预目标和值的同时，发现具有大规模、非线性结构因果模型的有效性已在合成图和基因调控网络数据集上得到验证。

Mar, 2022

本文综述了针对结构因果模型（SCMs）在不同级别抽象间建立关系的问题上已提出的解决方案，着重于 SCMs 之间的映射的形式特性，并强调了可在其上实施此特性的不同层次（结构、分布）。此理解不仅允许区分具有更多意识的因果抽象提案，而且还允许针对特定应用程序的相关抽象形式定制抽象定义。

Jul, 2022

本研究使用结构因果模型 (SCM) 开发一种可以模拟人们进行多发性硬化症 (multiple sclerosis) 治疗过程中的 MRI 图像变化的方法，为精准医疗提供一种解决治疗优化问题的解决方案。

Mar, 2021

本论文旨在准确明确 Rubin 因果模型（RCM）和结构因果模型（SCM）框架之间的关系，揭示 SCMs 框架中隐含的代数约束规则，指出 SCM 原则在经典应用中的重要作用。

Jun, 2023

在因果建模领域，潜在结果和结构因果模型是主要框架。然而，这些框架在实际建模反事实时面临着明显的挑战，形式化表现为潜在结果的联合分布参数。本文通过对潜在结果和结构因果模型在建模反事实中的研究，提出了 “退化反事实问题” 这一内在模型容量限制，并引入了一种新的 “分布一致性” 假设，基于该假设提出了增强建模反事实能力的 “分布一致性结构因果模型”。通过引入可识别的因果参数 “一致性概率”，在个性化激励示例中展示了 DiscoSCM 在实践中的实际意义。此外，还在 DiscoSCM 框架中提供了关于 “因果阶梯” 的全面理论成果，希望为反事实建模的未来研究开辟新的方向，从而增强我们对因果关系及其在现实世界应用领域的理解。

Jan, 2024

给定一个随机对照试验，从中推理因果关系可能与一些效应修饰因子不同分布的目标人群无关。我们利用一个附加的观察研究学习到的预测模型，无需对该研究做任何假设来补充试验数据，提出了能够更好地推广试验结果的算法，并以理论和实证的方式展示了当观察研究是高质量时，我们的方法能够更好地推广，即使存在未测的混杂变量等情况仍能保持稳健。

Jun, 2024

通过任务特定的实验设计和推导到定制特定下游应用程序的采样策略，我们提出了一种更节省样本数据的替代随机对照试验的方法，用于因果推断，并在各种重要任务，实际数据集和样本大小的情况下，胜过其他基准，例如需要一种数量级的数据才能在定向营销任务中达到随机对照试验的性能。

Jun, 2023

本文提出了一种新的自动因果推断方法（AutoCI），该方法基于不变的因果预测（ICP）框架，可以对临床试验数据进行因果重新解释，并在两个真实的子宫内膜癌临床试验中有效地确定因果变量，证实 AutoCI 在临床分析中的鲁棒性和可行性。

Jan, 2022

本研究提出了第一种从观测和干预数据中学习抽象映射的方法 COTA，通过引入多边际最优传输和干预信息的成本函数，实现了对多个粒度的结构因果模型进行关联的方法，并证明了其在合成和真实世界问题中的优势以及作为数据增强工具的高效性。

Dec, 2023