我们提出了一个通用的框架，用于构建针对大类非参数测试问题的强大的连续假设检验。该框架可以统一处理多个经典任务，如双样本测试、独立性测试和条件独立性测试，以及现代问题，如对机器学习模型的对抗鲁棒性测试。我们的方法对传统批量测试具有以下优势：1) 它持续监控在线数据流并有效地聚合针对零假设的证据，2) 它在不需要多重测试校正的情况下对类型 I 错误进行严格控制，3) 它根据问题的未知难度调整样本大小要求。我们在测试通过投票框架（testing-by-betting framework）中利用机器学习模型的表示能力方面开发了一种基于原则的方法，这是一种用于设计连续测试的博弈论方法。在合成和真实数据集上的实证结果表明，使用我们的通用框架实例化的测试在多个任务上与专门的基准测试相竞争。

Oct, 2023

本文提出了一种基于贝叶斯网络结构学习的非参数生成模型，采用分层贝叶斯框架来捕捉变量之间的系统性关系，通过 MCMC 算法推导出变量的类别、贝叶斯网络结构和类别间的先验概率，实验证明该方法在小样本数据集中更准确。

Jun, 2012

在各个学科中，结构因果模型 (SCMs) 为从观察和实验数据中识别因果关系提供了一个有原则的方法。然而，SCMs 通常被表示为图形模型，不能仅依赖于数据，而需要领域知识的支持。本文提出了一个称为因果知识层次结构 (CKH) 的抽象概念，用于将先验知识编码成因果模型。我们的方法基于医学中 “证据水平” 的基础，并侧重于对因果信息的置信度。使用 CKH，我们提出了一个将各种信息源的因果先验知识编码并结合起来推导 SCM 的方法论框架。我们在模拟数据集上评估了我们的方法，并通过灵敏度分析展示了其整体性能相对于基础真实因果模型的性能。

Apr, 2022

本文研究了神经因果模型在零样本和小样本情况下的性能，并将其与单体模型和结构模型进行比较，其中预测变量的集合没有被限制为因果父节点。研究发现，相对于其他模型，因果神经模型在低数据量情况下具有更好的零样本和小样本适应性，并提供了稳健的泛化能力。此外，研究发现，比起更密集的图，对于更稀疏的图，这种效果更为显著。

Jun, 2022

通过使用人为生成的因果知识来提高神经网络的数据表示，从而改进复杂分类任务中的自动生成模型的数据的分布外泛化性能，进而指向通过改进机器学习系统开发实践来提高机器学习系统的鲁棒性和安全性的努力中动力系统方法的实用性。

Sep, 2023

通过开发一个全连接的神经网络，实现了 Bayesian Causal Forest 算法的神经网络因果推断架构，并将该方法应用于研究应激对睡眠的影响，展示了在模拟环境中性能的提升。

May, 2024

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

本文讨论了人工智能（AI）文献中关于因果推断的近期进展，其具有可自动化的算法标准、中等平衡的优势等特点，有望对计量方法做出贡献。

Dec, 2019

通过构建可理解的变量和包含高级因果发现技术的自动学习任务级因果关系，HG-SCM 可以模拟人类感知和决策过程。在实证数据集上与七种基线模型进行比较后，HG-SCM 取得了最高的平均性能排名和最小的标准差，充分证明了其在预测能力和推广性方面的有效性和优越性，并且所自动学习的三个任务的因果图可视化和分析与领域知识和人类认知相吻合，展示出了其卓越的可解释性。HG-SCM 的类人特性以及增强的推广性和可解释性使其成为在透明度和可信度至关重要的特殊场景中具有潜力的解决方案。

Dec, 2023

本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

Oct, 2022