在快节奏的精准医学时代，观察性研究在正确评估临床实践中的新治疗方法中起着重要作用。然而，未观察到的混杂因素可能会严重影响从非随机数据中得出的因果结论。我们提出了一种新的策略，利用随机试验来量化未观察到的混杂因素。首先，我们设计了一个统计检验来检测强度高于给定阈值的未观察到的混杂因素。然后，我们使用该检验来估计一个渐近有效的下界，来度量未观察到的混杂因素的强度。我们在几个合成和半合成数据集上评估了我们统计检验的能力和有效性。此外，我们展示了如何使用我们的下界来正确识别现实世界中未观察到的混杂因素的存在和缺失。

Dec, 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

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

本研究提出一种算法来解决因果分析中的选择偏差，并证明了尽管存在选择偏差，可用数据的似然函数是单峰的。该算法可以用于解决可识别和不可识别查询，并通过因果期望最大化方案计算可识别情况下的因果查询值，否则计算上下界。实验表明该方法是实际可行的，并提供了理论收敛特性。

Jul, 2022

本文介绍了从结构因果模型获得置信网，通过 Credal 网络算法计算精确的反事实边界，提出了一种因果 EM 方案实现近似边界，评估了其精确度并通过关于姑息治疗的真实案例阐述了其实际应用。

Jul, 2023

本研究提出了一种能够学习条件平均治疗效果的函数区间估计器，通过加权核估计与对手模型，实现了在实际未观测混淆下，对个体因果效应的预测，并且通过个性化决策规则，实现了渐近无遗憾的最优性能。

Oct, 2018

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

本文研究了如何使用参数区间估计器在高维观测数据中，从存在未观察到混淆变量的情况下，学习条件平均处理效应（CATE）。提出了一种新的区间估计器来估算可能的 CATE 范围，同时也考虑了样本数量不足或违反重叠假设的情况，并结合模型不确定性，证明了该估计器可以收敛到针对 CATE 的紧密边界。

Mar, 2021

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

本文提出了一种基于置信传播的方法，通过在满足证据的所有因果模型中搜索来推导一个目标因果量的上下界，同时确保因果模型的边缘与数据相容，而不必构建一个全局因果模型，从而提出一种新的局部一致边缘的集合，称为因果边缘多面体。

Feb, 2022