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。

Oct, 2023

本文提出了一种名为 Disentangled Causal Effect Variational Autoencoder（DCEVAE）的方法，该方法利用因果推断和去除嵌入式敏感信息的方法对公平分类问题进行了改进，在生成对照组示例的同时成功区分了与干预相关但无因果关系的变量和由干预引起的信息。此外，DCEVAE 还提供了公平性正则化，减少信息损失生成自然对照图像。

Nov, 2020

本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法

Apr, 2023

本文提出了一种基于因果结构的 VAE 算法 CausalVAE，使用因果层将独立外生因素转化为内生因果因素，实现了因果因素的自动发掘和可解释性，实验结果表明 CausalVAE 提出的因果表示能够在多个数据集上实现对真实因果结构的恢复，同时可以生成对因果结构产生干预的对事实数据。

Apr, 2020

本文提出一种基于变分自编码器（Variational Autoencoder）的新方法来实现对自然语言处理（NLP）系统的解释，并将文本语言特征建模为离散变量以实现学习解缠编码表示，实验结果显示该方法在多个基准测试和一个文本风格迁移后处理应用中表现优异且优于基于连续和离散变量的基准模型。

Sep, 2021

提出了一种称为对比去纠缠顺序变分自动编码器（C-DSVAE）的方法来进行自我监督的去纠缠表示学习，并使用对比估计的互信息以及简单且有效的数据增强技术来引入附加的归纳偏差。实验结果显示，C-DSVAE 在多个度量标准上显著优于现有的最先进方法。

Oct, 2021

利用分离表示学习的优势，提出了一种名为 DVAE.CIV 的新方法，用于从具有潜在混淆因素的数据中学习和分离 CIV 和其条件集的表示，并进行因果效应估计。对合成和真实世界数据集的广泛实验结果表明，与现有的因果效应估计方法相比，所提出的 DVAE.CIV 方法具有卓越的性能。

Jun, 2023

该研究基于变分自动编码器提出了两种深度生成模型，学习基因状态的潜在表示，以提高药物响应预测的准确性。结果表明，该模型可在 AUROC 和 AUPR 方面超过先前发表的研究，同时发现更好的重构准确性并不一定导致分类准确性的提高，联合训练模型表现更好。

Jun, 2017

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

本文提出了一种名为 SDVAE 的半监督变分自编码器，其将输入数据转化为可解释和不可解释的特征表示，使用分类信息来规范可解释的特征表示，并使用强化学习来增强特征学习能力，此框架适用于图像和文本数据。

Sep, 2017