个人主页
因果人工智能 · 生物医学
理解世界如何变化，探索数据背后的因果机制。
我致力于发展能够恢复因果结构、估计反事实结果，并在分布变化下保持可靠性的因果学习方法。目前的研究聚焦于生物医学人工智能与因果世界模型。
我是北京大学未来技术学院生物医学工程专业博士研究生（2025–2029），主要研究生物医学人工智能与因果世界模型。2024 年，我于中国科学院自动化研究所获得工学硕士学位，硕士阶段主要研究因果发现、因果推断与社会计算。
我的研究从深度因果学习的基础框架出发，逐步推进可靠的因果发现方法，并将因果推断应用于真实医疗场景中的决策支持。
表征 → 发现 → 推断贯通深度因果学习的完整研究链条
Nature Communications时序因果推断与精准用药，2026
ACM Computing Surveys2025 年影响因子：30.4 · 计算机科学理论与方法领域排名 1/146
研究重点
因果表征与世界模型
学习稳定且与机制相关的表征，支持干预分析、跨环境迁移与科学解释。
可靠的因果发现
围绕可识别结构构建监督式因果学习方法，通过测试时适应缓解结构偏差与分布变化带来的失效。
面向医学的时序因果推断
从纵向临床数据中估计反事实治疗响应，将常规生理指标转化为个体化决策依据。
近期代表性成果
2026
第一作者 · Nature Communications
A generalist precision medication framework using temporal causal inference based on treatment-free physiological profiles
利用常规生理数据与时序因果推断，实现个体化用药策略优化。
2026
2025
第一作者 · ACM Computing Surveys · IF 30.4 · #1/146
Deep Causal Learning: Representation, Discovery and Inference
系统梳理深度学习在因果表征、因果发现与因果推断中的方法与进展。2025 年影响因子：30.4（计算机科学理论与方法领域排名 1/146）。
2025
AISTATS
Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning
通过可识别结构的预测，提升监督式因果发现的一致性并减少偏差。
教育经历
- 北京大学，未来技术学院，生物医学工程博士研究生，2025–2029
研究方向：生物医学人工智能、因果世界模型 - 中国科学院自动化研究所，工学硕士（社会计算方向），2021–2024
研究方向：因果发现、因果推断、社会计算 - 华北电力大学，计算机科学与技术，工学学士，2017–2021
平均成绩 91.46，专业排名 1/119；国家奖学金；优秀毕业生
中文版更新于 2026 年 9 月