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

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

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

该研究提出了一种基于变分推断的方法，以同时识别观察变量中的潜在非混杂因素，并为处理效应估计提供更好的数据学习。

Jan, 2020

研究了寻找因果关系的可靠程序，即使存在潜在变量和选择偏差，通过测量变量之间的依赖关系，可以得出从一个变量到另一个变量的因果路径以及不存在这样的因果路径的可靠条件。

Feb, 2013

基因组研究中的假设检验问题，针对多元广义线性模型中的混淆效应，提出了一种统一的估计和推断框架，能够控制假阳性率，并且比替代方法更强大。

Sep, 2023

本文提出了一种基于深层潜在变量模型和重要性加权变分目标的测量误差下因果推断的方法，使得即使没有测量误差方差和侧面信息，也可以得出可靠的因果效应估计。

Jun, 2023

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

本文提出了一种称作混淆分离因果发现算法（Confounding Disentanglement Causal Discovery，简称 biCD）的方法，通过使用因果强度变分模型，将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证，证明了该方法的有效性。

May, 2023

本研究介绍了一种新方法，使用实验数据来纠正更大的观测数据的因果效应模型中的隐藏混淆，证明了该方法的可行性，并使用一项大型教育实验中的真实数据证明了该方法的有效性。

Oct, 2018