利用元学习方法开发了一个端到端的框架来解决小规模人类研究数据的零样本学习问题，能够预测干预措施的效果并应用于多任务预测中，有效地推广了小样本人类研究的普适性。

Mar, 2022

本文探讨了如何将因果推断融入临床决策支持系统，以及因果表示学习、因果发现和因果推理领域中的研究方向，以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例，展示了因果机器学习在临床场景中的优势。

May, 2022

本研究提出了一种非参数因果模型来研究个性化系统中的用户行为，并介绍了新的实验设计，可以通过干预系统个性化来区分用户学习效应和个性化效果。模拟结果表明，所提出的新设计可以成功恢复感兴趣的动态因果效应。

Jun, 2023

本研究提出了一种新的表示学习框架 - 部分概念瓶颈，该框架将反事实解释作为风险模型的嵌入式属性，有助于研究人员和临床医生改进个性化护理，探索干预的假设性差异效应。

May, 2022

描述了一种利用因果思想构建复合泛化的方式，并建议将零样本推理视为查找 “哪种干预导致了图像？”; 提出了一种因果启发的嵌入模型，该模型从相关（混淆）训练数据中学习可视对象的基本部分的分解表示，用于预测属性 - 对象对的新组合。 在两个数据集上进行评估，结果比强基准方法有所改善。

Jun, 2020

本研究旨在比较多种最新的 zero-shot learning 方法在标准基准数据集上的表现，并提出和比较多种元分类器，在缺乏带标签训练数据集的情况下，将多种分类器的最佳方面相结合，达到更好的分类效果。

Mar, 2022

利用条件平均治疗效果 (CATE) 估计器的一种新方法，结合符合性预测系统、蒙特卡罗采样和 CATE 元学习，以提供在个体化决策中使用的预测分布，并展示噪声分布的特定假设会对不确定性预测产生重大影响，然而，CMC 框架在保持小间隔宽度的同时显示出强大的实验覆盖能力，以提供对真实个体治疗效果的估计。

Feb, 2024

该研究提出了一种新的模型 CML，即对比元学习，用于处理具有不同类型行为的多行为数据中用户和物品之间的关系，通过对比损失获取可传输知识，以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能，并释放出模型实现。

Feb, 2022

本文介绍了因果机器学习（CausalML）方法，该方法将数据生成过程形式化为结构性因果模型（SCM），并从因果的角度探讨了干预和反事实的影响，同时将该方法归类为五类：因果监督学习，因果生成建模，因果解释，因果公平性和因果强化学习，并比较了每种类别中的方法，包括在计算机视觉，自然语言处理和图形表示学习等不同领域的应用，提供了因果基准的概述，以及对该新兴领域现状的关键讨论和未来工作的建议。

Jun, 2022

本文中提出了一种利用元强化学习算法，通过学习干预变量的方法来进行因果发现并构建明确的因果图的方法，研究表明与现有最先进的方法相比表现出的结果更好，揭示了这种干预策略对于该方法性能的贡献。

Jul, 2022