在存在潜在混淆变量情况下，估计连续时间中的治疗效果
本文介绍了一种基于 Lipschitz regularization 和神经控制微分方程（CDE）的方法，名为 LipCDE，用于解决时序数据的因果分析问题，该方法能够准确估算个体化的治疗效果和克服隐藏混淆变量导致的治疗估计偏差和高方差情况，并通过实验验证了方法的有效性和可扩展性。
Mar, 2023
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
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
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
本文介绍了一种新的去混杂方法：顺序去混杂 (SD)，解决了存在未观察到的混杂因子情况下， 序列化医疗决策难题，并证明了该方法可以准确估计单个个体在时间上的治疗反应。
Apr, 2021
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
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
本文研究了如何使用参数区间估计器在高维观测数据中，从存在未观察到混淆变量的情况下，学习条件平均处理效应（CATE）。提出了一种新的区间估计器来估算可能的 CATE 范围，同时也考虑了样本数量不足或违反重叠假设的情况，并结合模型不确定性，证明了该估计器可以收敛到针对 CATE 的紧密边界。
Mar, 2021
本文研究了从时事件数据中推断异质性处理效应的问题，主要关注学习（离散时间）处理特定条件风险函数，并提出了一种基于平衡表示的新型深度学习方法来解决来自各种来源的协变量偏移问题。
Oct, 2021