提出了一种新颖的联合方法，基于多中心数据实现针对目标人群的有效因果推断。通过开发多重鲁棒的针对隐私保护的烦扰函数估计方法，我们对各个中心之间的协变量偏移和不匹配进行了调整。我们的方法融合了迁移学习，用于估计集成权重以组合来自源站点的信息。我们证明了这些学习到的权重在不同情况下是高效且最优的。相比现有方法，我们展示了我们的方法在有限样本情况下的效率和鲁棒性优势。

Sep, 2023

本文考虑针对协变量的平衡，提出基于倾向得分的加权策略以平衡不同处理组间分布的协变量。并针对此类权重提出新的加权方案，即叠加权重，从而最小化此类平衡权重中加权平均治疗效应的渐进方差，同时具有良好的小样本平衡性质。最后，我们提出一种新的方法，可以实现任何选定协变量的均值的精确平衡。

Sep, 2016

通过在可观测数据集中消除不同的偏差，去偏协同过滤旨在学习一个无偏的预测模型。本文通过重新加权观测样本分布以适应目标样本的倾向得分来解决此问题。为了更好地满足因果平衡约束条件，作者提出了一种近似平衡函数的方法，并在再生核希尔伯特空间中证明了其更好满足因果平衡约束条件的能力。同时，作者提出了一种自适应平衡核函数的算法，并理论上分析了方法的泛化误差界。通过广泛的实验证明了该方法的有效性。

Apr, 2024

通过最大化因果推断精度的熵平衡算法，我们研究了在倒数概率得分加权框架下，观测原因推断中连续治疗的问题，并使用合成和真实数据展示出我们的算法比基线熵平衡算法更准确地估计因果效应。

Jul, 2021

本文提出了一种使用积分概率度量进行协变量平衡的加权方法，并证明该方法可以在不正确指定模型的情况下保持一致性，同时在有限样本情况下的表现也比现有方法更好。

May, 2023

文章提出了一种处理在 “比较效度研究” 中常出现、因样本不完整而右截断的生存结果的方法，该方法将生存结果构造为伪观测值，使得标准方法如 “倾向性评分加权法” 可以像完全观测数据一样进行因果推断，借助函数变量法和 von Mises 展开法产生一个新的闭合形式的权重估计方差，考虑了伪观测值计算和倾向性评分估计的不确定性，从而实现有效且高效的推断，最后，将该方法应用于比较前列腺癌患者的三种常见治疗方法的因果效应。

Feb, 2021

本文提出了基于 MetaCI 框架的因果推断方法，用于处理来自多个同质子群体的数据。使用度量平均治疗效应的平均绝对百分比误差对 MetaCI 算法进行性能基准测试，证明元初始化相对于随机初始化网络和其他方法具有显著优势。

Dec, 2019

通过利用基于联合倾向性评分的重新加权模式和基于积分概率度量的表示学习模式，在网络情景中推导出因果效应估计的泛化界限，从而支持减轻复杂的混淆偏差并在原则性上指导学习目标的设计，通过分析泛化界限提出一种基于联合倾向性评分和表示学习的加权回归方法，并在两个真实网络的半合成数据上进行广泛实验，验证了算法的有效性。

Aug, 2023

本文介绍了使用倾向得分法估算二元治疗的因果效应，探讨了一些减少治疗和对照组之间初始协变量偏差的方法，并针对多种分类治疗方法提出了可能的匹配技术，利用模拟演示了如何提高匹配集合中协变量的相似度。

Jan, 2017

本文提出拓展 Conformal Prediction 方法，可计算在测试和训练协变量分布不同的情况下的无分布预测区间，同时在数据满足一定加权交换性的情况下，拓展还可以应用于其他设置，如潜在变量和缺失数据问题。

Apr, 2019