利用无监督机器学习和预测性模型检查相结合实现多因素下因果推理的去混淆算法并提出其理论，对半真实数据和真实数据进行性能测试，表明该算法比传统因果推理方法需要的假设更弱且更接近真实因果效应。

May, 2018

研究了在因果推断中如何解决因果关系难以识别的问题，提出了协变量调整的图形标准并推导了一些相关的推论。

Mar, 2012

探讨了当不知道所有混淆变量时，如何从二元治疗和其导致的结果之间进行可解释的因果推断；提出了使用双重处理样本的方法来应对选择性混淆，并通过理论误差边界和实证证据来验证方案的有效性，针对儿童安置场景引入了三种评估方法。

Oct, 2023

使用图形化框架，本文对 CIMs-B-POF 进行统一的图形化分析，同时定量分析在纳入各种类型的非混淆协变量（如工具变量、中介变量、碰撞物和调整变量）时，CIMs-B-POF 的推断性能受到的影响程度。关键发现是：在消除混淆偏差任务中，理想的情形是协变量仅包含混杂因素；在推断反事实结果的后续任务中，调整变量对于更准确的推断有所贡献。此外，在合成数据集上进行的大量实验一致验证了这些理论结论。

Aug, 2023

提出了一个去混淆因素的因果协作过滤模型，解决了现实场景下推荐系统可能遇到的无法观测到的混淆因素带来的问题，且在真实数据集上的实验证明了该方法能够更好地提高推荐效果。

Oct, 2021

提出了一种方法，用于推断两个观测随机变量之间存在一个潜在的共同原因（“混淆变量”）。方法假设混淆变量的两个影响是混淆变量的（可能是非线性的）函数加上独立的加性噪声，探讨了在什么条件下从这些影响的联合分布中实现（对混淆变量进行任意重新参数化）的模型可识别性。提出了一种实际的从有限独立同分布采样得到的影响中估计混淆变量的方法，并且在模拟和真实世界数据上说明该方法的有效性。

May, 2012

本文研究多重因果推断并提出去卷积算法。研究讨论了理论要求并呈现了实证研究。几个关于去卷积理论的改进已被提出，其中包括了 Imai 和 Jiang 澄清了 “无未观察到的单因素混淆因素” 的假设，本文在此基础上进一步澄清理论。此外，Ogburn 等人提出了反例证明，但所提出的反例并未满足所需假设。

Mar, 2020

通过利用估算原因变量的代理变量，即使是由于未观测到的变量导致的因果效应也可以进行非参数识别。同时，如果有至少两个独立代理变量满足特定排名条件，则可以进行非参数识别。如果只有一个代理变量或者不满足所需的排名条件，则可以通过开发一种方法来测试无因果效应的零假设。这个结论推广了 Kuroki & Pearl (2014) 的标识策略，并且不需要标识代理关系的度量误差机制。

Sep, 2016

本文提出了一种正式的潜在结果框架，用于接受不完美的代理变量并解决观察性研究中因未测偏差而引起的因果推断问题。通过引入足够的条件来实现非参数识别，并给出了相应的算法进行估计，其中包括对点处理和时变处理设置的处理，以及给出了使用近端 g 计算方法计算因果效应的应用案例。

Sep, 2020

Wang and Blei's proposed deconfounder method is incorrect due to its assumptions regarding ignorance and the control of unmeasured confounding variables, which generally cannot provide a checkable approach to causal inference or require weaker assumptions than commonly used methods; this is a common problem in recent works applying ideas from latent variable modeling to causal inference problems.

Oct, 2019