本文提出一个新的概率模型，用于计算模型的多个对抗性解释。该模型可以共享群体分组的信息，并保留领域特定的约束条件，同时评估不确定性，并得出合理、稀疏、多样和可行的结果。

Jan, 2023

提出一种用于模拟具有离散和连续变量条件的反事实分布的算法，该算法可用于粒子滤波器，可应用于信贷评分中的公平性分析。

Jun, 2023

本文研究模型不确定性下的反事实计划及其强健性，提出一种不确定性量化工具，计算给定反事实计划的有效性的上下界，并提供校正方法以提高计划的有效性和鲁棒性。实验验证了我们提出的边界和校正方法具有指导现实世界数据集中反事实计划的应用的意义。

Jan, 2022

本研究提出一种新的监督学习目标，预测反事实情况而不是预测现有行动策略下的结果，以支持决策制定，使用我们提出的反事实高斯过程（CGP）来预测在未来行动序列下连续时间轨迹的反事实未来进展，并证明其在风险预测和个体化治疗规划等决策支持任务上的优势。

Mar, 2017

本文研究的是针对选项干预的计数事实正反向两种方法 —— 干预方法与正向方法的偏差是如何导致直觉上不符合的结果的，该研究发现当系统中的外生噪声具有一定的单位特异性结构和 / 或稳定性时，正向方法的使用可以更合适。

Dec, 2022

我们介绍了向量自回归（VAR）过程中反事实推理的问题，并将因果模型的推断形式化为联合回归任务，使用有和无干预的数据来进行推断。在学习模型之后，我们利用 VAR 模型的线性性质对反事实干预的效果进行精确预测，同时量化了过去反事实干预的总因果效应。该项目的源代码可以在此网址免费获取。

Jun, 2024

本文介绍了使用 [Balke 和 Pearl，1994] 中提出的方法计算假设查询的概率的方法，其中查询的前提被解释为迫使命题 A 成立的外部行动，并开发了技术来评估这些边界，并展示了他们在两个应用中的使用：（1）从选定自己的治疗方法中确定治疗效果，（2）在产品安全诉讼中确定责任。

Feb, 2013

个性化决策需要对不同处理方法下的潜在结果有所了解，并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR，他能够在存在隐性混淆的情况下提供对反事实结果的置信区间，并具备边际收敛保证。通过访问部分干预数据，我们的方法能够解决观测分布和干预分布之间的协变量转移问题。理论结果明确表明了我们的算法相对于只使用干预数据的朴素方法的条件优势。在确保反事实置信区间有效之后，构造个别处理效应的区间是直接的。我们通过合成数据和真实世界数据验证了我们的方法的优越性，其中包括推荐系统，并与现有最先进方法进行了比较，结果在覆盖率和效率两方面都表现出优势。

May, 2024

基于回归方法，我们开发了建模和推断计数事实分布的工具，并构建了置信区间用于检验计数事实的功能假设，应用到美国数据的实证分析中，同时引入了分布回归作为建模方法，这个方法不仅全面灵活，而且对于建立稳健分布回归进程及各种相关的功能，我们建立了中心极限定理和引导验效果。

Apr, 2009

提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

Sep, 2022