本文研究了因果推断中连续和离散情况下的概率易变因果效应（PEACE），并探讨了 PEACE 的可识别性准则及其对输入变量值的微小变化的稳定性。
Mar, 2024
通过 VCEI 框架，在单个观测设置中对双变量系统进行因果发现，基于因果和机制的独立性原则，人为构造两个设置，通过核最大平均偏差将人为干预转化为一个凸优化问题，通过一系列实验表明 VCEI 方法是一种有竞争力的因果发现方法。
Nov, 2022
我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同，我们提出了一种直接建立时间过程中事件之间因果关系的学习范式，并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具，包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习，我们的框架揭示和量化了看似无法解释的因果链接。
Feb, 2024
本文提出 Causal Concept Effect (CaCE) 方法，借助有关联的人类可解释概念，定义并证明了一种深度神经网络的预测因果效应，并运用生成模型 VAE-CaCE 进行模拟，来度量预测错误来源于混淆的可能性，并在大量实验分析中证明了该模型在高维图片等多项数据集中的有效性。
Jul, 2019
本文将原始因果概率（PoC）的概念从标量二元变量扩展到连续处理和结果变量，并进一步推广 PoC 来捕获多个处理和多个结果之间的因果效应。此外，我们考虑针对子群体的 PoC 以及包含多重假设条件的 PoC，以捕捉决策中更复杂的反事实信息。我们为介绍的每一类 PoC 提供了非参数识别定理。最后，我们通过一个关于教育的真实数据集来说明我们结果的应用。
May, 2024
提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。
Sep, 2022
本文概述了决策论框架的统计因果关系，该框架适合于解决确定应用原因的效果的问题，并详细介绍了该方法，并与其他当前的公式进行了比较和对比，涵盖的主题和应用包括混淆，对待疗法的影响，工具变量和动态治疗策略。
May, 2014
本文推导了一对随机变量的条件概率分布的可变性度量，并研究了它在因果关系推断中的应用，结合标准统计度量在 ChaLearn 因果关系配对挑战中得到了 0.82 的 AUC 分数，在该挑战中排名第二。
Jan, 2016
利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。
May, 2017
本文提出了 “因果空间” 的概念，该概念是由一个概率空间和一组称为 “因果内核” 的转移概率内核组成的，从而基于概率理论的公理化为因果性提供了一个框架。
May, 2023