本文通过对原因推断的工具进行研究，介绍了反事实不变性作为对无关输入部分进行更改时不应改变模型预测的要求的一个形式化。同时，提供了学习（近似）反事实不变预测器的实用方案，并对文本分类进行了实证研究。

May, 2021

提出一种用于模拟具有离散和连续变量条件的反事实分布的算法，该算法可用于粒子滤波器，可应用于信贷评分中的公平性分析。

Jun, 2023

本研究提出了一个用于评估图像反事实的通用框架，使用深度生成模型学习结构因果模型，重新审视 Pearl 关于反事实公理定义的约束以确定对任何反事实推理模型的必要约束：组合性、可逆性和有效性，并且使用这些约束对反事实进行限制，从而得到了近似函数和理想函数间的距离度量，展示了如何使用这些度量来比较和选择不同的近似反事实推理模型，并揭示模型的不足和权衡。

Mar, 2023

本文针对特定类型因果查询 - 领域反事实进行研究，提出了一种基于不同领域、环境生成数据集合的领域特定可逆潜在因果模型，并证明通过两个可逆函数可以将任何模型转化为等价模型，同时表明只允许干预最后 $k$ 个因果变量的算法可以提高反事实估计的模型准确性。

Jun, 2023

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

基于回归方法，我们开发了建模和推断计数事实分布的工具，并构建了置信区间用于检验计数事实的功能假设，应用到美国数据的实证分析中，同时引入了分布回归作为建模方法，这个方法不仅全面灵活，而且对于建立稳健分布回归进程及各种相关的功能，我们建立了中心极限定理和引导验效果。

Apr, 2009

在多环境中研究因果推断，介绍使用变量的功能关系的不变性来推断算法的完整性，提出了基线算法和交替算法，并展示了与其他现有算法相比所提出算法的性能优势。

May, 2017

该论文旨在通过使用神经网络将反事实推理重新构建为扩展的分位数回归问题，依据已学习的定性因果结构和观测数据进行可靠的反事实推理，而不需要给定因果模型甚至直接估计条件分布，并且该方法比现有方法在统计上更有效，同时也有可能将所估计的反事实结果的泛化能力扩展到看不见的数据，并提供泛化误差的上限界限。实验结果在多个数据集上强烈支持我们的理论 claims。

Jun, 2023

本文研究的是针对选项干预的计数事实正反向两种方法 —— 干预方法与正向方法的偏差是如何导致直觉上不符合的结果的，该研究发现当系统中的外生噪声具有一定的单位特异性结构和 / 或稳定性时，正向方法的使用可以更合适。

Dec, 2022

我们的工作解决了马尔可夫决策过程中反事实推断的基本问题，介绍了基于对比反事实和干预分布的影响比较的算法构建反事实模型，并推导出非最优政策以适应观察路径时的影响约束。

Feb, 2024