本研究分析了未观察到的混淆对因果公平性的敏感性，并提出了一个新的神经框架用于学习公平的预测。

本文介绍了因果机器学习（CausalML）方法，将数据生成过程形式化为结构性因果模型（SCM），探讨了干预和反事实的影响，归类为五类：因果监督学习，因果生成建模，因果解释，因果公平性和因果强化学习，并比较了每种类别中的方法，提供了因果基准的概述，以及对该新兴领域现状的关键讨论和未来工作的建议。

本研究分析了未观察到的混淆对因果公平性的敏感性，并提出了一个新的神经框架用于学习公平的预测。