因果 K 均值聚类
聚类算法可能无意中传播或加剧现有的不平等，导致不公正的表示或有偏见的决策。本文提出了一种聚类方法，该方法结合因果公平度量，以在无监督学习中提供更细致入微的公平方式。我们的方法使得可以指定应该最小化的因果公平度量，并使用已知具有不公平偏差的数据集证明了我们方法的功效。
Dec, 2023
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
该研究介绍了一种叫做 “集群有向无环图（Cluster DAGs）” 的新型图形建模工具，其可以基于有限的先验知识提供变量之间关系的部分规范，从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下，本研究还开发了基于 “Pearl's Causal Hierarchy” 的各层级的变量集聚进行推理的方法，并验证了 C-DAGs 的有效性。
Feb, 2022
本文研究对社会项目和医疗方案的疗效进行随机实验评估时，如何准确评估其异质性治疗效应，进而为大量可用的治疗方案选择最有效的方案，确定治疗成功或失败的人群，以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法，并证明其优于常用替代方法。
May, 2013
本研究提出一种算法来解决因果分析中的选择偏差，并证明了尽管存在选择偏差，可用数据的似然函数是单峰的。该算法可以用于解决可识别和不可识别查询，并通过因果期望最大化方案计算可识别情况下的因果查询值，否则计算上下界。实验表明该方法是实际可行的，并提供了理论收敛特性。
Jul, 2022
我们提出了一种方法，通过利用原始高维空间的鲁棒一维潜在子空间，并利用在该空间上的单变量因果模型的高效估计，同时减轻了多变量因果模型中存在的问题，从而捕捉了相关结构并产生了反事实分布的良好估计。
Nov, 2023
在确定样本量和效应量时，本文介绍了一种程序，用于形式化研究者对所选择领域的效应量的预期，从而计算所需的最小测量变量数量，同时还概述了确定子群分析的最小样本量的方法，并使用模拟提供了常用子群分析方法（k 均值，Ward 层次聚类，c 均值模糊聚类，潜在类别分析，潜在属性分析和高斯混合模型）的参考表，该表显示了达到可接受的统计功效所需的每个预期子群（样本量）和变量数量（测量变量），可直接用于研究设计。
Sep, 2023
本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。
Jan, 2023