研究对象间网络结构关系的存在违背了传统研究中的个体独立假设，为因果推断研究在复杂场景下的科学性和有效性带来挑战。本项目以构建网络结构数据的因果推断分析体系为目标，围绕两方面展开探索：第一，在“试验性评估模式”下，立足随机分配的合理性和经济性需求，分别讨论针对网络结构数据的协变量平衡设计和响应变量自适应设计，构建与之相对应的效应检验流程；第二，在“观察性评估模式”下，遵循模型驱动和不依赖模型的效应估计思路，分别构建考虑网络结构的潜在响应变量预测模型及分布平衡加权调整策略。本项目在方法研究的基础上探索评估辅助工具，为研究者构建理论齐备并具可操作性的网络结构数据因果推断分析体系。

点过程是一种重要的随机过程模型，用于建模事件发生模式。随着深度学习的兴起，传统的统计点过程逐渐演化为深度点过程，具备了更强的表达能力。然而，目前的深度点过程主要处理简单的事件时间和类型信息，尚不能有效处理和生成多模态事件数据。这主要源于多模态深度点过程在数据融合、高效建模及训练优化等方面的多重挑战。本项目将以多模态深度点过程为研究对象，聚焦于以下三个研究方向：（1）多模态深度点过程的数据融合；（2）多模态深度点过程的超长序列建模；（3）多模态深度点过程的训练优化。旨在开发一整套针对多模态深度点过程的数据处理、建模及训练系统，推动深度点过程在多模态数据场景下的广泛应用。

本项目致力于在弱化条件下研究高维复杂数据的检验以及非欧空间数据分布检验，旨在提升检验的有效性和适用范围。

在线健康语料是重要的医疗大数据资源，具有混杂性、层次性、多源性和时变性，给传统网络分析方法带来巨大挑战。针对在线语料的独特属性，该项目将进行以下四方面的研究：一是基于网络连接差异提出带惩罚的混合聚点模型，对发帖与节点词进行双重聚类分析，多角度研究在线语料的内在结构以应对混杂性；二是研究针对节点词社区的带权树状图，并通过惩罚方式估计语义网络简洁的层次结构；三是融合多源语料基于潜空间模型研究多层网络间的局部相似性，分析平台间信息流动与疾病间相互关系；四是基于网络自回归模型融合节点特征，进行动态语义网络研究，探究疾病认知的动态演化过程。经过系统性分析，本项目旨在挖掘在线健康平台语料的深层规律，以期为优化在线健康干预策略、提升医疗服务质量等健康管理实践提供理论参考。

因果推断是很多科学研究的主要目标，在自然科学和社会科学中发挥着重要作用。针对真实世界中大量的观察性研究，未观测混杂是一个普遍存在的问题，它给因果推断带来了深刻挑战。多数因果推断研究旨在评价原因对结果的作用，而仅有少数研究关注由结果推断原因的归因分析，它隶属Pearl因果之梯的最高层级。我们将以生物医学等领域中的应用问题为驱动，系统性地研究关于混杂问题和归因问题的因果推断方法，并深入探讨其理论和计算问题。本项目将构建复杂数据和因果机理共同驱动的推断理论，进一步推动因果推断在相关领域的应用。

随着我国人口老龄化加剧，失能老人数量不断增加，研究老年失能风险及其管理愈发重要。面对复杂多状态生存数据和高维特征数据的挑战，本项目将建立复杂多状态生存数据模型，以准确评估失能与死亡多状态发展的风险，并分析人口、经济、疾病、基因等因素的影响效应。本项目还将开发新的长期护理需求预测方法，精确预测未来失能人口规模和结构、各失能状态的平均护理时长和成本，以及长期护理总成本。这些研究将为制定失能预防管理措施和完善长期护理保障制度提供科学依据，助力应对老龄化挑战。