反事实推断的逻辑与因果推导的认识论
我对无确定性的非确定性结构方程模型进行了泛化，并论证它对反事实提供了改进的语义。我通过允许多值函数在结构方程中的使用来放弃了哈尔彭（Halpern）的标准确定性语义，并调整语义以确保在任何反事实世界中都保留了实际世界中获得的方程解。最后，我将这些模型扩展到概率情况，并展示了它们在因果贝叶斯网络中识别反事实的方式。
May, 2024
通过干预模拟程序的概念分析条件推理，我们将其扩展到概率仿真模型的情况，定义了条件语言中的概率并证明了其基本结果。同时，我们在该设置中发现了关于概率的线性不等式推理的公理化方法。我们证明了该逻辑的可满足性问题的正确性、完备性和 NP - 完全性。
Jul, 2018
该研究考察了递归模型与因果模型框架之间的确切关系，递归模型被证明是 (Possible-world) 反事实结构的一种子类，而普遍性递归模型则不能与反事实结构比较，这个研究指出了 Galles 和 Pearl 论证的问题。
Jun, 2011
我们提出了一种自然的反事实框架和一种生成自然反事实的方法，该方法与实际世界的数据分布相一致，有效地改进了反事实推理并引入了创新的优化框架控制反事实推理的回溯程度。实证实验表明我们的方法的有效性。
Feb, 2024
本研究将 3 层因果关系层次结构分为概率逻辑语言模型，第一层表达定量概率推断，第二层编码用于因果效应的 do-calculus 推理，第三层捕捉任意反事实查询。相关的公理化表达完全考虑了因果模型和概率编程，并证明了每种语言的可满足性和有效性都可以在多项式空间内可判定。
Jan, 2020
本文通过介绍一个基于干预模拟程序的条件推理方法来形式化和涵盖 AI 领域内一些条件思维方法，提出了若干公理化结果，并确立了该满足性问题的 NP 完备性，与现有框架（正常性排序模型，因果结构方程模型）进行比较。 一些基本的逻辑原理在我们的因果模拟方法中被证明是无效的。 尽管如此，作者认为该方法对于建模某些直观的例子是很重要的。
May, 2018
本文旨在解决关于因果关系的辩论问题，并提出了一种新的因果关系定义方式：通过融合两种影响深远的因果关系方法，即 Wright 的 NESS 定义和反事实差异制造条件，得到了具有较优性能的反事实 NESS 定义方式。
Dec, 2020