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
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。
本文通过应用神经微分方程建立潜在因子模型，使用随机控制微分方程和 Lipschitz 限制卷积操作，不断纳入关于进行中干预和不规则的样本观测的信息，以在动态时间设置中存在隐藏因素的情况下连续估计处理效应。
Feb, 2023
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
该论文提出用对抗训练来选择性平衡混淆因素，以解决观察研究中个性化治疗效应（ITE）估计的基本问题，并通过反事实推断帮助估计 ITE。在合成和真实世界数据集上的实证结果表明，该方法改善了现有方法，在 ITE 估计中实现了更低的误差。
Oct, 2022
该研究提出了一种基于 “协同学习” 框架的方法来识别混淆变量并通过样本重新加权技术与反事实推理方法同时准确估计处理效应。
Jun, 2020
本研究提出 Deep Sequential Weighting (DSW) 模型通过使用深度递归加权神经网络，将当前的治疗方案和历史信息结合起来推断隐藏的混淆因素并计算个体治疗效果，从而为个性化医疗铺平道路，实验结果表明，该模型可准确预测并生成无偏的治疗效果。
Aug, 2020
探讨了当不知道所有混淆变量时，如何从二元治疗和其导致的结果之间进行可解释的因果推断；提出了使用双重处理样本的方法来应对选择性混淆，并通过理论误差边界和实证证据来验证方案的有效性，针对儿童安置场景引入了三种评估方法。
Oct, 2023
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