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

我们提出了一种可通过不同 iable Pareto 平滑加权框架来替换极端权重值的可微分权重学习方法，从而在估算高维异质处理效应时实现数值稳健的估计，实验结果表明，通过有效地校正权重值，我们的方法优于现有方法，包括传统的加权方案。

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

个性化决策需要对不同处理方法下的潜在结果有所了解，并且关于潜在结果的置信区间能够丰富决策过程并提高其在高风险场景下的可靠性。本研究提出了一种基于推断加权拟合预测的新方法 wTCP-DR，他能够在存在隐性混淆的情况下提供对反事实结果的置信区间，并具备边际收敛保证。通过访问部分干预数据，我们的方法能够解决观测分布和干预分布之间的协变量转移问题。理论结果明确表明了我们的算法相对于只使用干预数据的朴素方法的条件优势。在确保反事实置信区间有效之后，构造个别处理效应的区间是直接的。我们通过合成数据和真实世界数据验证了我们的方法的优越性，其中包括推荐系统，并与现有最先进方法进行了比较，结果在覆盖率和效率两方面都表现出优势。

May, 2024

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

本文提出并评估贝叶斯加性回归树（BART）与其他已有方法（如 IPTWM、TMLE、向量匹配和回归调整等）在多个处理方式时，因为结果是二进制的而缺乏强大的估计因果效应的方法。结果表明，在处理分配和结果生成机制的非线性和非可加性的情况下，BART、TMLE 和采用广义提升模型（GBM）的 IPTW 提供更好的偏差降低和较小的均方根误差，本文还提出了一种用于特定处理的共同支持区域来获得更好的外推结果和保持推断的方法。

Jan, 2020

在顺序实验中，通过使用自适应增广逆概率加权估计量和倾向得分截断技术，我们提出了一种有效的平均处理效应推断方法，能够在变动的样本规模下进行推断并具有较窄的置信区间。

Nov, 2023

我们引入了一种新的低方差评估因果误差的估计方法，称为 pairs estimator。通过将同样的 IPW 估计器应用于模型和真实实验效果，我们的估计器有效地消除了由于 IPW 引起的方差，并实现了较小的渐近方差。经验证明，我们的估计器的性能得到了改进，几乎能达到 RCT 的性能水平。我们的方法提供了一种简单而强大的解决方案，用于在条件随机化设置中评估因果推断模型，无需对 IPW 估计器本身进行复杂修改，为更健壮可靠的模型评估铺平了道路。

Nov, 2023

本文研究分布偏移问题下，重要性加权在复杂数据上无法良好运作的原因，并提出了一种基于动态重要性加权的端到端解决方案。实验表明，该方法能够与现有最先进的方法相媲美。

Jun, 2020

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