本文提出了一种基于祖先图的算法框架，用于有效地测试，构建和枚举$m$-分隔符，从而较高效地进行非实验数据中因果效应的识别，同时还证明了通过协变调整进行因果效应识别与$m$分离在有向无环图及最大祖先图中的一个子图的规约，并利用这些结果，得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件，为这些问题的特殊情况提供了现有解决方案的扩展。

Feb, 2018

该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。

Oct, 2021

本文提出了一种基于最大祖先图(MAG)的新型工具——祖先工具变量(ancestral IV)，并通过理论与算法探讨，实现了从观测数据中自动发现祖先IV特征值并进行无偏因果效应估计的方法。实验结果表明，该方法能够在合成数据和实际数据集上比已有IV方法表现更好。

Jan, 2022

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

本文提出了一种新方法——称作直接因果子句（DCC）来表述所有类型的因果背景知识，分析因果背景知识的一致性、等价性，任何因果背景知识集合都可分解成一个因果MPDAG和一个最小剩余DCC集合，并提供了用于检查一致性、等价性和查找分解的多项式算法。最后，作者们还发现，因果效应的可鉴定性仅取决于分解后的MPDAG。

Jul, 2022

本文综述了通过基于图形因果模型的搜索策略，发现因果效应相关有用知识的数据驱动方法，重点讨论这些方法面临的挑战，探讨了方法的假设、优点和局限性，希望这篇文章能够激励更多的研究人员设计更好的数据驱动方法来解决因果效应估计等领域的实际问题。

Aug, 2022

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

本文分析了“弱混淆”的因果估计结果，提出了一种有效的线性规划方法来确定因果效应的上下界，并展示了与现有方法相比更紧密的界限，这些方法不能纳入熵限制。

Jun, 2023

通过观察性时间序列研究干预的总效应的可识别性问题，我们考虑了系统的因果图的两种抽象：扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的，并提供了摘要因果图中可识别性的必要和充分图形条件。此外，我们提供了可调整的集合，可在总效应可识别时估计总效应。

Oct, 2023

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