- 学习概念转变时：混淆、不变性和降维
基于观测数据的领域自适应问题，通过线性结构因果模型和表示学习方法，研究使用不变的协变量表示来解决概念漂移和改善目标预测的可行性，并通过在 Stiefel 流形上约束优化来证明大多数局部最优解与不变的线性子空间一致。通过验证实现方法和理论的三 - 贝叶斯干预优化用于因果发现
我们提出了一种基于贝叶斯优化的方法，通过活动干预来最大化获取决定性和正确证据的概率，从而有效地发现因果关系，并增强理论进展的实际应用。
- 深度序列模型的治疗反向概率加权使得能够从电子健康记录中准确估计治疗效应
利用倒数概率处理权重的方法和深度序列模型通过渗透记录直接估计治疗效果，解决时间相关混杂对结果估计的偏差问题。
- 通过结合弱工具和观测数据估计异质治疗效应
通过结合工具变量和观测数据，本文提出了一种可靠的方法来估计存在观测数据中的未观察混淆以及工具变量数据中的低合规性（包括某些子群体的零合规性）的条件平均处理效应（CATEs）。
- 潜在混淆变量的总效应在总结性因果图中的可识别性：基于前门准则的扩展
使用摘要因果图从观测数据中确定总效应的充分图形条件，即使存在隐藏的混杂和没有足够的变量集进行调整，也有助于从观测数据中理解和估计因果效应的持续努力。
- ICMLPairNet: 使用观察到的对作为训练样本以估计个体处理效果
通过对成对示例基于其已观测到的实际结果最小化损失的训练策略，PairNet 能够准确地预测处理变化导致的结果变化，并在多个基准测试中表现出比基准模型更小的 ITE 误差，同时具有模型不可知性和易于实现的优点。
- 学习哈密顿神经库普曼运算符，同时保持和发现守恒定律
基于观测数据和噪声扰动，准确地发现和预测动力学仍然是一项重要的挑战。我们提出了汉密尔顿神经库普曼算子（HNKO），它集成了数学物理知识以学习库普曼算子，并使其可以自动维持并发现守恒定律。我们通过使用许多代表性物理系统，甚至具有数百或数千个自 - ICML多环境下部分识别的治疗效果的元学习器
从多环境的观测数据中，利用部分识别法通过元学习器估计条件平均治疗效应的边界。
- G-Transformer 用于时间上的条件平均潜在结果估计
给医学个性化决策做出重要贡献的研究论文，提出了一种新的神经网络模型 G-transformer，用于基于观察数据对治疗效果的时间估计，该模型能够准确、低方差地预测条件期望效果，具有迭代回归和处理电子健康档案的能力。
- 在具有潜变量的子人群中的因果效应识别
本文考虑了允许潜变量存在的 s-ID 问题的拓展，通过将经典的图形定义扩展为新的对应关系来应对潜变量在亚群中存在时引发的挑战，并提出了一种针对具有潜变量的 s-ID 问题的可靠算法。
- 因果贝叶斯网络中的干预和调节
通过简单但常见的独立性假设，可以独特地估计干预公式的概率，包括充分性和必要性的概率。在许多感兴趣的情况下，当这些假设适用时，可以使用观测数据评估这些概率估计，这在实验不可行的情况下具有巨大的重要性。
- 带有局部搜索的混合全局因果发现
在观测数据中进行因果发现是一项具有挑战性的任务，本研究提出了一种新颖的混合方法，结合局部因果子结构，通过引入拓扑排序算法和非参数约束算法，在线性和非线性设置中实现了全局因果推断，并在合成数据中进行了验证。
- 基于模糊知识和复杂数据互补的弱监督因果推断
KEEL 是一种弱监督的模糊知识和数据驱动的因果发现方法，能够提高在高维度和小样本场景中因果关系发现的泛化能力和鲁棒性。
- 从缓慢变化的非平稳过程进行因果推断
通过时间可变滤波器和稳态噪声，利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型，使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。
- 通过深度生成模型学习结构因果模型：方法，保证和挑战
本文全面综述了深度结构因果模型 (DSCMs) 的特点以及其在使用观测数据回答反事实查询方面的能力，分析了其关于深度学习组件和结构因果模型的假设、保证和应用，深入理解其在不同反事实查询情境下的能力和限制，同时强调了深度结构因果建模领域面临的 - 机器学习在科学发现中的机遇
科学界利用机器学习技术进行科学探索的能力正在初生阶段，然而，机器学习的原理应用正在为基础科学发现开辟新的途径，尤其在处理观测数据的复杂性方面。
- 一个通用因果推断框架用于横断面观察数据
基于进化驱动的有向无回路图的马尔可夫属性，本文提出了一种针对横断面观测数据的通用因果推断框架 (GCI)，能准确识别关键混杂变量并提供相应的识别算法，从而有效改善观察研究中因果推断的精确性、稳定性和可解释性。
- 随机超平面剖分的因果效应估计
我们提出了一种简单、快速而又高效的匹配方法，使用随机超平面分割来估计因果效应，它在大维度的协变量下优于传统匹配技术，并与最先进的深度学习方法竞争，并避免了计算昂贵的深度神经网络的训练。
- C-XGBoost：一种用于因果效应估计的树提升模型
提出了一种名为 C-XGBoost 的新因果推断模型，用于预测潜在结果，并使用树模型处理表格数据以及神经网络模型学习表征，同时具备 XGBoost 模型的优势，如处理缺失值和避免过拟合 / 偏差的能力。实验结果证明了该方法的有效性。
- 多动作场景中基于观测数据的最优策略学习：估计、风险偏好和潜在失败
该论文讨论了使用观察数据进行最优策略学习（OPL）的多行动（或多臂）设置下的数据驱动最优决策问题，分别从估计、风险偏好和潜在失败三个方面进行了讨论，并提出了关于线下最优策略学习估计器的识别假设和统计特性，以及决策风险分析和最优选择受决策者风