本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术，并使用相互信息对混淆估计器进行正则化，同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果，并在模拟和医学临床案例中进行了验证。

May, 2018

该研究介绍了熵因果推断的框架和可辨识性假设，利用实验证明了在大多数因果模型中，当外生变量的熵不随观测变量状态数增加而增加时，可以通过观测数据确定因果方向。同时，该研究第一次通过有限数量的样本证明了算法可辨识性保证，还考虑了在理论假设方面进行改进的鲁棒性评估和样本量问题。

Jan, 2021

本文使用H"older不等式，通过度量未观察到的混杂因子U对结果Y的影响，探究了处理T对结果Y的作用的区间估计与置信度的问题，并提出了一种基于总变异距离和条件期望值偏差的边界方法和校准策略。

Jul, 2021

本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试, 这些非参数规则可以广泛适用于大量结构因果模型。

May, 2023

本文提出了一个统一框架，用以解决在各种不同情况下发生未观测混淆的因果敏感度分析问题，包括（条件）平均处理效应、中介分析和路径分析的效应，以及分布效应，同时还提供了一个可伸缩的算法来估计我们从观测数据中所得到的尖锐界限。

May, 2023

计算具有未观察到的混淆变量和离散值观察变量的因果图上的因果查询的边界的问题，我们显示线性规划可以被大大剪枝，使得我们能够解决较大规模的因果推断问题，以及提出了高效的贪心算法用于推断无额外观测变量的因果边界。

Aug, 2023

预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图（Partial Ancestral Graph）作为输入，提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。

Nov, 2023

研究在具有潜在变量的线性非高斯无环模型(LiNGAM)中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况，对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化，并提出了有效的算法来验证图形条件。最后，提出了重建独立成分分析(RICA)算法的改进版本，该算法可从观测数据中估计因果效应，并通过实验证明了所提方法估计因果效应的有效性。

Jun, 2024

使用摘要因果图从观测数据中确定总效应的充分图形条件，即使存在隐藏的混杂和没有足够的变量集进行调整，也有助于从观测数据中理解和估计因果效应的持续努力。

Jun, 2024

本研究针对线性非高斯结构方程模型中存在未观测干扰的情况，提出了一种新的算法，旨在克服现有算法在局部最优解上易陷入的缺陷，同时避免对潜在变量数量的先验要求。该算法通过递归方式推断源并估计其对后代的影响，表现出与传统方法相当的性能，具有重要的实用价值。

Aug, 2024