研究方向
我的研究关注学习系统如何从识别数据模式走向理解生成机制，贯通因果表征、因果发现与因果推断，并将相关方法应用于生物医学场景。
基础框架
深度因果学习
我研究如何利用深度表征学习处理高维变量、组合式结构搜索、隐含混杂与异质性处理效应等问题。相关工作形成了一个连接因果表征学习、因果发现与因果推断的综合框架。
Deep Causal Learning: Representation, Discovery and Inference · ACM Computing Surveys, 2025。2025 年影响因子：30.4（计算机科学理论与方法领域排名 1/146）。
方法研究
可识别与自适应的因果发现
监督式因果学习具备较强的建模能力，但也可能引入结构偏差，并在数据分布变化时失效。我的近期工作针对这两类问题展开：SiCL 预测可识别的骨架与 v 结构；TTT-SCL 在测试阶段生成与当前实例对齐的训练数据，提高因果图恢复的稳健性。
医学转化
时序因果推断与精准用药
我构建因果模型，在纵向临床记录中区分患者的基础生理状态与治疗效应。TCPM 框架学习去除治疗影响的生理画像，估计反事实响应，并搜索跨时间的个体化用药策略。
该框架在六个队列中进行了评估，涵盖公开重症监护数据与合作医院的临床数据，将因果方法与可用于生物医学决策的证据相连接。
A generalist precision medication framework using temporal causal inference based on treatment-free physiological profiles · Nature Communications, 2026
生物医学表征
神经动力学的表征学习
我研究神经元系统中稳定且具有生物学意义的表征。NeurPIR 通过不同活动片段间的对比学习恢复神经元的内在属性，使表征能够跨实验条件与未见动物进行泛化。
因果学习方法与工具
我的研究实践涵盖因果表征学习、图因果模型、因果发现、反事实估计、异质性处理效应、时序因果推断，以及面向生物医学系统的深度学习。主要使用 Python 与 PyTorch，常用工具包括 YLearn、DoWhy、CausalML、EconML 和 TrustworthyAI。