我们研究了多个治疗和网络观测数据背景下的个体治疗效果估计问题，利用网络信息以增强强可忽略性假设在实际应用中的适用性，并通过图卷积网络学习共享的混淆因素表示，设计了损失函数以组合表示损失和均方误差损失。通过在 BlogCatalog 和 Flickr 等基准数据集上进行一系列实验，实验结果一致表明与基准方法相比，我们的模型显示出优越的性能。

Dec, 2023

通过开发一种从不同视角聚合信息的新架构，我们提出了一种模型异质干扰的新方法，包含图神经网络、不同视角信息的聚合机制和注意力机制，经过多个数据集的实验，证实了模型异质干扰建模的重要性。

Sep, 2023

提出了一种基于预测推断的模型自由框架，用于探究个体治疗效果的敏感性分析，特别关心了混杂因素强度量化和对于反事实的可靠预测推断。

Nov, 2021

该论文提出用对抗训练来选择性平衡混淆因素，以解决观察研究中个性化治疗效应（ITE）估计的基本问题，并通过反事实推断帮助估计 ITE。在合成和真实世界数据集上的实证结果表明，该方法改善了现有方法，在 ITE 估计中实现了更低的误差。

Oct, 2022

本文研究了从时事件数据中推断异质性处理效应的问题，主要关注学习（离散时间）处理特定条件风险函数，并提出了一种基于平衡表示的新型深度学习方法来解决来自各种来源的协变量偏移问题。

Oct, 2021

该论文提出了一种称为 MRIV 的机器学习框架，基于二进制 IVs 直接估计个人化药物治疗效果，解决了实践中治疗分配容易被未观察变量混淆的偏差问题，并给出了理论分析证明的理论和实验结果表明，其性能表现优于已有的 IV 貌似方法。

Aug, 2022

本研究提出 Deep Sequential Weighting (DSW) 模型通过使用深度递归加权神经网络，将当前的治疗方案和历史信息结合起来推断隐藏的混淆因素并计算个体治疗效果，从而为个性化医疗铺平道路，实验结果表明，该模型可准确预测并生成无偏的治疗效果。

Aug, 2020

发展了一种基于机器学习的预测推断方法，使用标准的符合性预测程序，在条件平均处理效果的元学习器上发出处理效果的预测区间。

Aug, 2023

通过对个体进行训练与推断逆因果结果的方法，改进了存在潜在相互影响的治疗分配与个体协变量之间的矛盾问题，提高了个体化连续治疗效果估计的准确性。

Jan, 2024

使用可解释的多智能体系统反事实循环网络进行干预效应评估的长期预测方法，最终在自动驾驶、生物智能体和篮球计分方案的模拟实验与实际数据中证明了其优于传统方法的效果。

Jun, 2022