通过分散的不完整数据源进行联邦因果推断，估计多个分散的不完整数据源中的因果效应。该方法使用丢失数据的条件分布来识别因果关系，并估计缺失随机假设下的更高阶统计量，同时回答隐私风险。通过模拟和真实世界示例的集合验证了该方法的功效和实用性。

Aug, 2023

本文研究了因果变量在相关数据上的行为并分析了最主要的解缠方法在大规模实证研究（包括 4260 个模型）中的表现，结果显示数据集中系统性引入的相关性正在被学习并反映在潜在表示中，这对于解缠的下游应用如公平性有重要的影响，同时呈现了如何通过训练期间的弱监督或使用少量标签的预训练模型的后修复来解决这些潜在的相关性。

Jun, 2020

本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确，并将该方法应用于一个大规模的针对搜索引擎的实验。

Apr, 2015

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

本文介绍了一种用于重建生理系统中微弱信号的新技术，通过显式建模和分离潜在内部干预对系统的潜在状态产生的影响，并通过推断隐藏的内部干预来实现对本机干预的动态的建模，从而重建招发生在心脏电学传导中的异常事件，并演示了其在电学传导中的应用（使用深度学习，时间序列和状态空间模型）。

Sep, 2022

提出了一个新的因果推断框架，用于在联邦设置中从多个分散的数据源中学习因果效应。通过使用随机傅里叶特征将损失函数分解为多个组件，介绍了一种自适应传输算法，学习数据源之间的相似性，并且估计源之间的相似度通过传输系数，因此无需先前的相似性量度信息，可在源之间独立且系统地整合异质性的因果效应，并提供最小最大下限来评估从不同数据源学习的参数的质量。在分布不同的分散数据源上，该方法实际上比基线方法表现更好。同时不会共享原始的训练数据，从而最小化隐私泄露风险。

Jan, 2023

使用信息理论方法，针对目标的因果变量未观察到的情况下，开发了特征选取和工程技术，以利用影响目标数据的观察到的下游变量作为代理，从中获得稳定性提升的信息，并利用辅助训练任务提取稳定性增强信息。在合成和实际数据上展示了我们技术的有效性。

May, 2023

本文提出了一种基于数据驱动的两阶段多分割因果推断集成模型，结合了不同因果基本算法的优势，通过数据划分方案降低噪音影响。在多个指标的评估下，通过实验发现我们的因果集成方法在不同情况下均优于各个基本算法，可实现更强大和可靠的因果关系推断。

Mar, 2024

利用多模态数据和物理约束来发现具有因果关系的重要特征的因果表示学习算法（causalPIMA）。通过可微分参数化和单个可追踪证据下限损失函数，在完全无监督的设置中学习变分自动编码器的有向无环图（DAG）的潜在空间，同时学习一种高斯混合先验和一种新的结构指示因果关系的特征发现方法。测试结果表明，可以在完全无监督的设置中学习可解释的因果结构并同时发现关键特征。

Oct, 2023

通过因果视角提供了一种新的方法来量化深度潜变量模型，并提供了一个高效的估算方法。

Oct, 2018