本文提出了一种基于深度学习技术的因果推断方法，用于处理高维复杂数据，包括稀疏深度学习理论和随机神经网络，通过这些技术，该方法能够一致地解决高维度和未知数据生成过程的问题，并在存在缺失值的数据集中表现优于现有方法。

Mar, 2024

提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

Sep, 2022

我们的研究将因果估计推广到具有任意个维度或可测空间的结果，将传统的因果估计用于名义变量作为因果差异检验，提出了一种简单的方法来调整普遍一致的条件独立性检验，并证明这些检验是普遍一致的因果差异检验。数值实验证明，我们的方法 Causal CDcorr 与现有策略相比，在有限样本的有效性和功效方面都有所改进。我们的方法都是开源的，可以在 github.com/ebridge2/cdcorr 获取。

Jul, 2023

本文提出了一种深度神经体系结构，结合经验数据和先前的因果知识，从而学习变量之间的因果关系，并通过卷积和图神经网络在因果风险框架内提供了一种灵活和可扩展的方法，Empirical results include linear and nonlinear simulations (where the underlying causal structures are known and can be directly compared against)，特别的，在生物医学领域的实验验证结果表明，深度学习方法能够应用于学习包含数千个变量的大规模问题中的因果网络

Dec, 2022

本研究探讨了观察研究中高维协变量的交叉匹配对因果效应评估的影响，并证明了协变量的重叠度对于评估的严格性具有更大的限制。

Nov, 2017

本论文提出了一种新的方法，使用多任务学习模型和倾向性估计来推断干预的个性化因果效应，实验证明与现有方法相比具有更好的表现。

Jun, 2017

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

提出一种新的层级似然学习框架，将伽马随机效应引入 Poisson 深度神经网络，以捕捉输入变量的非线性效应和主题特定的聚类效应，从而提高预测性能。该方法通过优化单一目标函数同时获得固定参数的最大似然估计值和随机效应的最佳无偏预测器，为处理包含高基数分类特征的聚类计数数据提供了一个快速端到端算法。并且，可以很容易地将最新的网络架构实施到提出的 h - 似然框架中，例如多头注意力层和稀疏最大函数，用于在高维环境中进行特征选择。为了提高实际性能和学习效率，还通过调整过程来预测随机参数，并使用矩量法估计方差分量进行预训练。各种实验研究和真实数据分析证实了我们提出方法的优势。

Oct, 2023

通过开发一个全连接的神经网络，实现了 Bayesian Causal Forest 算法的神经网络因果推断架构，并将该方法应用于研究应激对睡眠的影响，展示了在模拟环境中性能的提升。

May, 2024

本文提出了基于 MetaCI 框架的因果推断方法，用于处理来自多个同质子群体的数据。使用度量平均治疗效应的平均绝对百分比误差对 MetaCI 算法进行性能基准测试，证明元初始化相对于随机初始化网络和其他方法具有显著优势。

Dec, 2019