本文提出了使用前门标准和深度生成模型解决存在未观测混淆因素和中介因素的因果推断问题的方法 FDVAE，并在合成数据集和真实数据集上进行了试验。
Apr, 2023
从观察数据中估计因果效应是因果推断中一个重要且具有挑战性的问题，本文提出了条件前门调整（CFD）的概念，并通过可识别的变分自动编码器学习了 CFD 调整变量的表示，实验证明了 CFDiVAE 的有效性及其在处理未观察到的混淆变量时的优越性。
Oct, 2023
本文通过提供可测试的条件独立性语句，展示了使用类前门调整来计算因果效应的方法，并证明该方法适用于在有限结构信息的情况下不知道图形的情况下。
Jun, 2023
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
本文提出了一种用于高维协变量信息下随机实验治疗效果估计的风险一致回归调整的方法，并建议使用交叉估计方法来获得有限样本无偏的治疗效果估计，最后对自适应规范搜索和机器学习方法如随机森林或神经网络等进行了拓展分析。
Jul, 2016
在精确医学、流行病学、经济和市场等多个领域中，估计随时间变化的治疗效果是相关的。本研究提出一种基于未观察到的风险因素的个体治疗效果估计方法，结合动态变分自动编码器 (DVAE) 框架和使用倾向得分的加权策略，准确估计反事实回应和捕捉纵向数据中的潜在异质性。我们的模型在最新技术模型上展现出卓越性能。
评估后门调整在多中心临床笔记数据集中用于文本分类的实用性，结果表明后门调整可以有效地缓解混杂转移问题。
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有向无环图 (DAG) 的前门调整线性时间算法，可在 O (n+m) 的时间内发现满足前门准则的集合，因此达到渐进最优时间复杂度，并提供了一个算法以 O (n (n+m)) 的延迟列出给定 DAG 中所有前门调整集。
Nov, 2022
研究了在因果推断中如何解决因果关系难以识别的问题，提出了协变量调整的图形标准并推导了一些相关的推论。
Mar, 2012