提出了利用深度结构性因果形态模型（CSMs）的计算工具来实现对形态变化的因果推理，通过反事实网格生成产生个体化的预测，从而研究基因、环境和生活方式因素对人体结构的影响。
Aug, 2022
本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。
Oct, 2022
利用深度学习组件建立结构因果模型 (SCMs) 的一个通用框架，采用正则化流和变分推断实现外生噪声变量的易处理推断，并验证其在 MNIST 和医学图像数据上的有效性，提出了 SCMs 可以回答所有 Pearl 因果逻辑的逆因果推断问题的思路。
Jun, 2020
提出 Diff-SCM 来解决如何从观察到的成像数据中估计反事实效果的问题，使用深度结构因果模型和生成式能量模型相结合的方法进行推理，并且在 MNIST 数据和 ImageNet 数据上证明了其优越性。
Feb, 2022
本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。
May, 2023
本研究提出了一种基于多个数据集合并信息的反事实推断方法，使用响应函数形式化分类 SCMs，减少允许的边缘 SCM 和联合 SCM 的空间，从而突出了通过附加变量而不是通过附加数据的一种新的可否证明模式。
本研究提出了一种通用的因果生成建模框架，用于准确估计具有深度结构因果模型的高保真图像反事实情况。
Jun, 2023
本文主要是探讨针对实验性研究、观察性研究和实用性临床试验中的结构因果模型的应用，并提供了一种建立 PCT 的标准化结构因果模型的方法，该方法可以使用 do-calculus 等数学运算，以此来更好地分析和利用临床数据。
Apr, 2022
本文全面综述了深度结构因果模型 (DSCMs) 的特点以及其在使用观测数据回答反事实查询方面的能力，分析了其关于深度学习组件和结构因果模型的假设、保证和应用，深入理解其在不同反事实查询情境下的能力和限制，同时强调了深度结构因果建模领域面临的挑战和未解之问，为研究者确定未来工作方向和实践者选择最合适的方法提供了概述。
May, 2024
本文综述了针对结构因果模型（SCMs）在不同级别抽象间建立关系的问题上已提出的解决方案，着重于 SCMs 之间的映射的形式特性，并强调了可在其上实施此特性的不同层次（结构、分布）。此理解不仅允许区分具有更多意识的因果抽象提案，而且还允许针对特定应用程序的相关抽象形式定制抽象定义。
Jul, 2022