本文提出了一种基于条件生成建模的方法，旨在捕捉整个反事实分布，使其特别适用于医疗保健和公共政策制定。通过边际结构模型来解决观察数据和目标反事实分布之间的分布不匹配问题，该方法在合成和真实数据上优于现有方法。
May, 2023
本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。
Apr, 2017
本文提出了一种新方法来解决选择偏差的问题 —— 通过学习两组潜在的随机变量，一组对应导致选择偏差的变量，另一组对于预测结果非常重要，进而通过 Pearson 相关系数去降低它们的关联度，从而得以显式地减轻选择偏差。实验结果表明，该算法能够取得最先进的性能，并提高其没有显式建模选择偏差的对应算法的结果。
Dec, 2019
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
本篇论文通过建立时间连续的结构嵌套模型，提出可以在时间相关性干扰存在下，估算时间变化的治疗效应的概念框架和形式化方法，同时表明这样的估算器是准确和渐近正常的。
Oct, 2004
本篇研究提出了一种基于符合性推断的方法，用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计，适用于完全随机或分层随机试验，以及遵循强忽略性假设的一般观测研究。同时，该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。
Jun, 2020
借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。
Jun, 2022
使用可解释的多智能体系统反事实循环网络进行干预效应评估的长期预测方法，最终在自动驾驶、生物智能体和篮球计分方案的模拟实验与实际数据中证明了其优于传统方法的效果。
利用半参数贝叶斯模型和 g - 计算框架，以医疗保险索赔数据为例，探索了在已知患有慢性背痛的病患中使用不同阿片类药物策略对住院率产生的影响，解决了再发事件速率计算中的治疗时间不精确导致的失调问题。
Apr, 2023
我们提出了一个可识别的深度潜变量模型，可以用于单臂试验中的治疗效果估计，并通过建模结构化的缺失模式来处理缺失的协变量观测值。通过使用分摊变分推断来学习群体特定和可识别的共享潜变量表示，我们的方法在患者配对和直接治疗效果估计方面显示出比先前方法更优的性能。
Nov, 2023