本研究通过系统研究二元情况下的可辨识性，证明了 PNL 因果模型在大多数情况下是可辨识的，同时为其可辨识性提供了充分条件。在多于两个变量的情况下，我们通过将 PNL 因果模型应用于 Markov 等价类中的每个结构，并测试干扰是否独立于直接原因确定整个因果结构，避免了对所有可能的因果结构进行穷举搜索。

May, 2012

利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。

Jan, 2015

本文提出了一种基于祖先图的算法框架，用于有效地测试，构建和枚举$m$-分隔符，从而较高效地进行非实验数据中因果效应的识别，同时还证明了通过协变调整进行因果效应识别与$m$分离在有向无环图及最大祖先图中的一个子图的规约，并利用这些结果，得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件，为这些问题的特殊情况提供了现有解决方案的扩展。

Feb, 2018

本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的influence function-based估计器以及重要类别的隐藏变量DAG，该类别在处理满足一个简单图形标准的情况下，生成调整和前门函数，同时还提供了统计模型的必要和充分条件。

Mar, 2020

通过多个数据集的实验和分析，研究了深度潜变量模型在因果推断中的应用，发现需要注意确保其因果估计的正确性。

Feb, 2021

研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性

Jun, 2023

现有的合成控制方法(SCMs)存在内隐内源性问题，本研究基于密度匹配提出了一种新的SCM方法，通过匹配处理结果矩和未处理结果矩的加权和来估计SC权重，该方法具有无偏性、降低均方误差以及生成完整治疗效应密度的优点。

Jul, 2023

该研究论文主要关注于在一般非参数因果潜在模型和将潜在数据映射到观测数据的一般变换模型下的因果表示学习，通过使用潜在因果图中每个节点的两个硬解耦干预来建立可识别性和可实现性结果。

Oct, 2023

该论文研究因果关系表示学习，通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系，假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念，并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。

Nov, 2023

本文解决了在摘要因果图中识别平均控制直接效应和平均自然直接效应的问题，这些图通常用于动态系统中，因循环和遗漏的时间信息而使因果推断变得复杂。研究提出了在存在隐藏混杂的情况下，识别这些效应的充分条件，并指出在无隐藏混杂的情境下，平均控制微观直接效应的条件也是必要的，强调了研究对复杂现实情况的处理意义。

Oct, 2024