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。