利用工具变量进行因果推理的解缠代表学习

该研究解决了通过观察数据推断因果效应时潜在混淆因素的挑战。论文提出了一种基于变分自编码器的解缠代表学习方法，能够在不明确识别工具变量的情况下，从潜在混淆因素数据集中学习工具变量表示，并实现因果效应的无偏估计。实验结果表明，该算法在合成数据和真实世界数据上均优于现有的工具变量基估计器和变分自编码器基估计器。