个人简介

谢峰，男，河北邯郸人。北京工商大学数学与统计学院副教授、博士生导师，现任应用统计系系主任。获广东工业大学工学博士学位，博士期间赴美国卡内基梅隆大学联合培养，后在北京大学数学科学学院从事博雅博士后研究。兼任全国工业统计学教学研究会理事、中国现场统计研究会贝叶斯统计分会常务理事、中国现场统计研究会因果推断分会理事、中国人工智能学会因果与不确定性人工智能专委会委员。目前指导多名博士研究生和硕士研究生，已培养多名硕士研究生顺利毕业。更多学术成果及最新动态，欢迎访问个人主页：https://fengxie.site

研究兴趣

主要研究因果推断、人工智能等领域的统计理论与方法，包括含潜在混杂因素的全局与局部因果结构学习，重点关注多源数据、干预数据及部分观测数据下的因果关系识别；从观测数据中识别和选择有效的调整集合、工具变量及代理变量，以支持因果效应的识别与估计；基于因果结构开展因果归因与异常根因分析，揭示不同因素对观测结果的贡献及其作用机制。同时，关注上述理论与方法在生物医学数据分析、复杂系统故障诊断与智能运维等领域的应用。

主讲课程

本科生课程《机器学习》、《统计计算》。

学习经历

2010年9月-2014年6月，广东工业大学 信息与计算科学专业， 理学学士；

2014年9月-2017年6月，广东工业大学 数学专业， 理学硕士；

2019年7月-2020年5月，美国卡内基梅隆大学， 联合培养博士；

2017年9月-2020年6月，广东工业大学 计算机应用工程专业， 工学博士。

工作经历

2020年7月-2022年6月，北京大学 数学科学学院， 博雅博士后；

2022年7月至今，北京工商大学 数学与统计学院， 副教授。

主要获奖荣誉

1. 2023年度北京工商大学工会积极分子

2. 2024年度北京工商大学研究生招生工作先进个人

3. 2025年度北京工商大学志愿服务先进个人

主要科研项目

主持国家自然科学基金项目1项、中国博士后科学基金项目1项：

1.国家自然科学基金青年项目，面向离散数据的隐变量间因果关系推断理论与方法研究，2024年01月-2026年12月，30万，主持人；

2.中国博士后科学基金面上项目，含有隐变量数据上的因果关系推断理论研究及其应用，2020年11月-2022年06月，8万，主持人。

主要学术成果

发表论文40余篇，部分代表性成果有：

1. Xichen Guo, Zheng Li, Biwei Huang, Yan Zeng, Zhi Geng, Feng Xie . Testability of Instrumental Variables in Additive Nonlinear, Non-Constant Effects Models. Journal of Machine Learning Research, 2026. (学生一作，导师通讯，人工智能顶刊，CCF A类期刊)

2. Feng Xie , Biwei Huang, Zhengming Chen, Ruichu Cai, Clark Glymour, Zhifeng Hao, and Kun Zhang. Generalized Independent Noise Condition for Estimating Causal Structure with Latent Variables. Journal of Machine Learning Research, 2024. (人工智能顶刊，CCF A类期刊)

3. Zheng Li, Feng Xie , Shenglan Nie, Xichen Guo, Ruxin Wang , Hao Zhang . A Recursive Decomposition Framework for Causal Structure Learning in the Presence of Latent Variables. ICML , Seoul, South Korea, 2026 (Oral, TOP 0.7%，学生一作，导师通讯，人工智能顶会，CCF A类会议).

4. Feng Xie, Zhen Yao, Lin Xie, Yan Zeng, and Zhi Geng. Identification and Estimation of the Bi-Directional MR with Some Invalid Instruments. NeurIPS, Vancouver, Canada, 2024 (Oral, TOP 0.39%，人工智能顶会，CCF A类会议).

5. Zeyu Liu, Zheng Li, Feng Xie , Yan Zeng , Hao Zhang, and Kun Zhang. Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions. ICML , Seoul, South Korea, 2026. (Spotlight, TOP 2.2%，学生一作，导师通讯，人工智能顶会，CCF A类会议)

6. Zheng Li, Xichen Guo, Feng Xie , Yan Zeng, Hao Zhang , and Zhi Geng. Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables. NeurIPS , San Diego Convention Center, 2025. (学生一作，导师通讯，人工智能顶会，CCF A类会议)

7. Zheng Li, Zeyu Liu, Feng Xie , Hao Zhang, Chunchen Liu, and Zhi Geng. Local Identifying Causal Relations in the Presence of Latent Variables. ICML, Vancouver, Canada, 2025. (Spotlight, TOP 2.6%，学生一作，导师通讯，人工智能顶会，CCF A类会议)

8. Xichen Guo, Feng Xie , Yan Zeng, Hao Zhang, and Zhi Geng. Data-Driven Selection of Instrumental Variables for Additive Nonlinear, Constant Effects Models. ICML, Vancouver, Canada, 2025. (学生一作，导师通讯，人工智能顶会，CCF A类会议)

9. Shanshan Luo, Yixuan Yu, Chunchen Liu, Feng Xie , and Zhi Geng. Causal Attribution Analysis for Continuous Outcomes. ICML, Vancouver, Canada, 2025 (Spotlight, TOP 2.6%，人工智能顶会，CCF A类会议).

10. Feng Xie, Zheng Li, Peng Wu, Yan Zeng, Chunchen Liu, and Zhi Geng. Local Causal Structure Learning in the Presence of Latent Variables. ICML, Vienna, Austria, 2024. (人工智能顶会，CCF A类会议)

11. Feng Xie, Zhengming Chen, Shanshan Luo, Wang Miao, Ruichu Cai, and Zhi Geng. Automating the Selection of Proxy Variables of Unmeasured Confounders. ICML, Vienna, Austria, 2024. (Spotlight, TOP 1.98%， 人工智能顶会，CCF A类会议)

12. Feng Xie, Yan Zeng, Zhengming Chen, Yangbo He, Zhi Geng, and Kun Zhang. Causal Discovery of 1-Factor Measurement Models in Linear Latent Variable Models with Arbitrary Noise Distributions. Neurocomputing, 2023.

13. Feng Xie, Biwei Huang, Zhengming Chen, Yangbo He, Zhi Geng, and Kun Zhang. Identification of Linear Non-Gaussian Latent Hierarchical Structure. ICML, Baltimore, MD, USA, 2022. (Spotlight，人工智能顶会，CCF A类会议)

14. Feng Xie , Ruichu Cai , Biwei Huang, Clark Glymour, Zhifeng Hao, and Kun Zhang. Generalized Independent Noise Condition for Estimating Latent Variable Causal Graphs. NeurIPS, 2020. (Spotlight，人工智能顶会，CCF A类会议)

15. Feng Xie, Ruichu Cai, Yan Zeng, and Zhifeng Hao. An Efficient Entropy-Based Causal Discovery Method for Linear Structural Equation Models with IID Noise Variables. IEEE Trans. on Neural Networks and Learning Systems, 2020, 31(5): 1667–1680.