我们提出了一种方法，通过利用原始高维空间的鲁棒一维潜在子空间，并利用在该空间上的单变量因果模型的高效估计，同时减轻了多变量因果模型中存在的问题，从而捕捉了相关结构并产生了反事实分布的良好估计。
Nov, 2023
本文提出一个新的概率模型，用于计算模型的多个对抗性解释。该模型可以共享群体分组的信息，并保留领域特定的约束条件，同时评估不确定性，并得出合理、稀疏、多样和可行的结果。
Jan, 2023
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
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
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
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
通过采用贝叶斯层级模型来建模不确定性，本文解决了连续设置中对反事实分布的模棱两可性问题，特别是在贝叶斯变形高斯过程中，允许非高斯分布和非加法噪声，成功应用于一个合成和半合成的案例，并展示了在算法补救下游任务中的性能。
Sep, 2023
基于电子病历的丰富性，本研究提出了一种基于多任务学习的方法来推断个性化治疗效果，使用非参数贝叶斯方法来学习治疗效果，同时提供置信度的点间可信区间，以实现精准医学，并证明该方法在早产儿干预社会计划和舒张期心脏病患者左心室辅助装置中明显优于现有技术。
Apr, 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