本论文提出了一种新算法 ——Dual Weighting Regression (DWR)，其通过学习注意力权重和样本权重来解决网络场景下的干扰异质性问题，同时实验表明该算法优于目前的其他算法。
Oct, 2022
本文提出了一种非实验设置下绘制因果关系的方法，并展示了一个广义倾向得分估计器，该估计器允许我们估计连续治疗的直接效应和溢出效应，并研究了溢出效应如何塑造农业市场政策干预的最优水平。结果表明，在这种情况下，忽略干扰可能会导致在评估政策有效性时出现向下偏差。
Apr, 2020
通过开发一种从不同视角聚合信息的新架构，我们提出了一种模型异质干扰的新方法，包含图神经网络、不同视角信息的聚合机制和注意力机制，经过多个数据集的实验，证实了模型异质干扰建模的重要性。
Sep, 2023
通过利用干预结构减小干扰和限制级联增长，我们提出了基于级联的网络实验设计框架，用于估计网络数据中的因果效应。
May, 2024
利用神经网络适应目标学习技术提出的一种新的网络干扰下的双重稳健因果效应估计器，通过将理论条件转化为有针对性的损失函数，保证了估计器的双重稳健性，并通过理论分析揭示了与单一干扰模型相比更快的收敛速度。通过对两个现实世界网络上的半合成数据进行广泛的实验，证明了我们提出的估计器的有效性。
通过网络干预的主动学习方法，本论文旨在解决因果推断中潜在结果检验框架忽视个体干预以及假设独立处理效应的问题，提出了一种基于网络干预的主动学习方法以估计直接和溢出治疗效果，能够在复杂干预结构下具有高效和精确的效果估计能力。
Feb, 2024
评估减少网络干扰的随机实验设计和分析方法，通过仿真实验证明这些方法能够在各种网络结构和社会行为中显著地减少偏差和误差，特别是对于网络中存在更多聚类的情况和数据生成过程中存在更强的治疗直接效应和单位之间更强的相互作用的情况。
Apr, 2014
推荐系统中的选择偏差源于系统过滤和用户选择的交互过程。本研究从因果推断的角度，形式化地将邻域效应作为干预问题，并引入治疗表示来捕捉邻域效应。在此基础上，我们提出了一种新的理想损失函数，用于处理具有邻域效应的选择偏差问题。我们进一步开发了两种新的估计器来估计所提出的理想损失函数。理论上建立了所提出的方法与先前忽略邻域效应的去偏倚方法之间的联系，表明所提出的方法在存在选择偏差和邻域效应时可以实现无偏学习，而现有方法存在偏差。大量的半合成和真实世界实验被进行以证明所提出方法的有效性。
Apr, 2024
本研究提出了一种名为 UNITE 的新估计方法，可以在不知道具体底层网络的情况下，仅依赖于图中任意主体的邻居超集的信息，来识别全局平均治疗效应（GATE）。通过理论分析和大量实验证明，所提出的方法在比较中表现更好。
研究了采用分布鲁棒优化方法（distributionally robust optimization，DRO）来推断个性化治疗规则（individualized treatment rules，ITRs）的估计器在新设置中的应用，包括 Wasserstein distance-based ambiguity characterizations 和其在目标人群中的理论表现的评估。这个方法在目标人群中优于传统的策略。
May, 2022