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

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

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

本文提出新的因果性先验图和用于消除混淆信息和噪声的两阶段回归技术，以解决模型可解释性工具中的潜在变量和概念完备性等问题，并在合成和真实数据集上进行了实验证明了该方法的成功。

Jul, 2020

推荐系统通过因果分析的方法解决了推荐过程中潜在变量的干扰，引入去混淆因素的推荐模型成功地提高了推荐准确性。

Aug, 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

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

提出一个对混淆变量的正式定义：定义一个混淆变量为先前暴露的协变量 C，其存在一组其他协变量 X，使得在（X，C）条件下曝露对结果的影响未被混淆，但对于（X，C）的任何真子集都不是如此，同时提出了减少偏误但不能消除偏误的变量被称为 “代理混淆变量”，该定义与 Robins 和 Morgenstern [Comput。Math。Appl。14（1987）869-916] 给出的定义相关。

Apr, 2013