本研究提出了一种新方法，通过放松因果充分性假设和利用最新因果发现技术，解决因果推断中未观察混淆变量的问题。实验表明，该方法在不同场景下优于现有方法，并能揭示变量间相互作用，减少偏倚。研究还提出了一个通用框架，提高观察研究的精确性和可解释性。

本文提出了一种基于深度学习的因果中介分析方法，旨在揭示混淆变量并估计因果效应，适用于观察性研究和因果公平性问题。研究探讨了非参数模型和半参数框架在医疗数据分析中的应用，强调了处理缺失数据和治疗选择偏倚的重要性。

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。