本文提出了一种基于祖先图的算法框架，用于有效地测试，构建和枚举$m$-分隔符，从而较高效地进行非实验数据中因果效应的识别，同时还证明了通过协变调整进行因果效应识别与$m$分离在有向无环图及最大祖先图中的一个子图的规约，并利用这些结果，得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件，为这些问题的特殊情况提供了现有解决方案的扩展。

Feb, 2018

本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的influence function-based估计器以及重要类别的隐藏变量DAG，该类别在处理满足一个简单图形标准的情况下，生成调整和前门函数，同时还提供了统计模型的必要和充分条件。

Mar, 2020

该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。

Oct, 2021

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

本文综述了通过基于图形因果模型的搜索策略，发现因果效应相关有用知识的数据驱动方法，重点讨论这些方法面临的挑战，探讨了方法的假设、优点和局限性，希望这篇文章能够激励更多的研究人员设计更好的数据驱动方法来解决因果效应估计等领域的实际问题。

Aug, 2022

通过观察性时间序列研究干预的总效应的可识别性问题，我们考虑了系统的因果图的两种抽象：扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的，并提供了摘要因果图中可识别性的必要和充分图形条件。此外，我们提供了可调整的集合，可在总效应可识别时估计总效应。

Oct, 2023

预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图（Partial Ancestral Graph）作为输入，提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。

Nov, 2023

该研究论文探讨了动态系统中因果关系的理解，并提出了简化的因果关系表示方法，摒弃了时间信息并集中于高层次因果结构，在此基础上研究了宏观查询和微观查询的条件独立性以及因果效应的鉴别方法。

Jul, 2024

本文解决了在摘要因果图中识别平均控制直接效应和平均自然直接效应的问题，这些图通常用于动态系统中，因循环和遗漏的时间信息而使因果推断变得复杂。研究提出了在存在隐藏混杂的情况下，识别这些效应的充分条件，并指出在无隐藏混杂的情境下，平均控制微观直接效应的条件也是必要的，强调了研究对复杂现实情况的处理意义。

Oct, 2024

本研究解决了网络研究中观察到的单位间相关性究竟是源于传染效应还是潜在混淆的问题。通过采用分离图的分析方法，我们提出了一种新的网络因果效应估计策略，能够在完全干扰的情况下，为未知或正确推断的依赖机制提供无偏和一致的估计。这项工作的显著发现是，方法在网络效应估计中适用的场景范围比以往研究广泛，具有重要的实际应用潜力。

Nov, 2024