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

本文介绍了一种新的去混杂方法：顺序去混杂 (SD)，解决了存在未观察到的混杂因子情况下， 序列化医疗决策难题，并证明了该方法可以准确估计单个个体在时间上的治疗反应。

Apr, 2021

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

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

本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术，并使用相互信息对混淆估计器进行正则化，同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果，并在模拟和医学临床案例中进行了验证。

May, 2018

本研究提出了一种称为时间序列去混杂器的方法，利用多重处理来估计存在多因素潜在混杂变量时的治疗效应，并使用新颖的递归神经网络架构进行因素建模和推断潜在变量，从而替代多因素未观察到的混淆变量，进行因果推断，从而得到时间变化曝露的无偏因果效应估计。

Feb, 2019

本研究提出了一种新的因果推断框架 —— 网络去混淆器 (Network Deconfounder)，它利用网络信息来辨识隐藏式混淆者的模式，从而进一步允许我们从观测到的数据中学习有效的单个因果效应。

Jun, 2019

利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

May, 2017

本研究提出一种名为 “混淆毯原则” 的结构假设，使得我们设计的因果关系推断算法能够适用于高维数据，同时保持多项式复杂度。我们演示了我们的方法在模拟和真实数据集上的运作，包括一个用于线性和非线性系统的推断过程和有限样本误差控制。

May, 2022

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