- DeCoDEx: 用于改进基于扩散的反事实解释的混淆因素检测引导
通过使用 DeCoDEx 框架，将外部预训练的二元人工物体探测器引入到扩散式反事实图像生成器中，成功地解决了在存在主导性和多样性人工物体的情况下准确解释性的偏见缓解策略的问题。
- 潜空间中干扰变量的因果结构表示学习用于推荐
用户偏好、推荐系统、混淆因素、因果图和潜在空间是本研究的关键词，研究探讨了混淆因素对用户偏好的影响和如何在潜在空间中建模，通过因果图的方式分离混淆因素和用户偏好。最后，提出了基于变分自动编码器的模型，命名为潜在空间中混淆因素的因果结构表示学 - C - 解缠：在混淆因素的归纳偏差下发现因果独立的生成因素
这篇论文通过引入共变量先验偏好，提出了一种名为 C-Disentanglement 的框架，用于识别因果生成因子，并在领域变化下取得了与各种 SOTA 基准方法相比具有竞争力的结果。
- 高维因果推断与变分背门调整
借助生成建模的方法，本文提出了一种解决高维治疗和混杂变量的干预问题的后门调整技术，实现了干预似然的估计。
- 消除伪关联中的去偏性反事实
在这项工作中，我们介绍了第一个端到端训练框架，该框架同时整合了（i）用于避免附着在假象相关性上的流行去偏置分类器（例如分布鲁棒优化（DRO））和（ii）用于揭示与任务相关的可推广成像标记的反事实图像生成。此外，我们提出了一种新的度量标准，即 - AAAI抗混淆影响的稳健因果图表示学习
本文提出一种强化图表示学习模型鲁棒性的方法 - Robust Causal Graph Representation Learning（RCGRL），通过生成工具变量来消除图中干扰因素和混淆变量，同时保证了理论上的有效性，并在多个基准数据集 - 去混淆的时间自编码器：使用噪声代理估计随时间变化的治疗效果
该文提出了 Deconfounding Temporal Autoencoder (DTA) 的方法，通过利用观测到的噪声代理来学习反映真实隐藏混杂因素的隐藏嵌入，从而在利用最新的结果模型来控制隐藏嵌入的条件独立性的同时获得无偏估计的治疗效 - WSDM具有隐变量的因果介入分析
本文提出了一种基于深度学习和代理策略的因果中介分析方法，能够同时揭示隐藏混淆变量和估计因果效应，在观察性研究中有很好的应用前景，可用于处理因果公平性问题。
- 用于治疗效果估计的不变表示学习
研究发现，处理观测数据的因果推断的主要难点是协变量的存在，虽然调整协变量可以削弱混淆效应，但错误的调整处理或包括不良控制变量可能导致偏差。为了解决这个问题，该研究开发了一种称为 Nearly Invariant Causal Estimat - ICML通过人工注释提高对错相关性的鲁棒性
本文提出了一种机器学习模型稳健性的框架，通过人类关于因果关系的常识知识来解决模型在训练和测试过程中的不一致性问题。透过在每个训练数据中加入人类标注的潜在未测变量，将问题转化为协变量转移问题，并引入分布稳健优化目标来控制测试时偏移的最坏情况损 - ACL文本与因果推断：使用文本消除因果估计中的混淆因素的综述
本文回顾了计算社会科学中利用文本分析解决因果推论中混淆变量引起偏差的方法，并提出数据处理及评估决策的指南。尽管在利用文本分析进行混淆因素调整方面已取得了进展，但仍存在很多未解决的问题。
- 在观测设置中去卷积强化学习
该论文提出了一种通用的强化学习算法，针对观测数据中未观察到的因素（混杂因素）影响观察到的行为和奖励，学习从历史数据中得出好的策略，使用修改的 OpenAI Gym 环境和 MNIST 数据集开发了新的基准测试，并且证明了该算法在混淆的环境中 - 基于矩阵分解的有噪和缺失协变量因果推断
该论文提出使用矩阵分解来从噪声协变量中推断混淆因素，减少测量噪声引起的偏差，展示了这个方法在合成数据和临床数据上的实验结果。
- 使用生成式神经网络学习功能因果模型
本研究介绍了一种名为 Causal Generative Neural Networks (CGNN) 的新方法，它利用神经网络学习观测变量联合分布的生成模型，具有线性复杂度且在三个任务中表现良好，包括因果推断、识别 v-structure - NIPS使用深度潜变量模型推断因果关系效应
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。
- 通过隐含因素消除系统误差，用于寻找系外行星
本文介绍了一种通过使用半同胞回归方法来消除混杂因素以重构潜在兴趣量的方法，在因果推断领域中引人注目，是一种有理理论基础的方法，并体现了在具有挑战性的天文学应用中的潜力。
- 关于协变量调整用于估计因果效应的有效性
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。