该研究揭示了观测数据中未观测到的混淆因素和异质性的问题，并提出了一种新的根本原因分析方法。该方法通过优化无混淆因素的有向混合图和使用异质性感知的调度策略，能够探索可靠的根本原因。实验结果表明该方法在合成数据集和真实世界数据集上有效且优越。

本文研究了使用条件性工具变量（CIV）来估计因果效应的复杂问题，提出了一种非线性 CIV 回归方法 CBRL.CIV，可以消除混淆偏差并平衡观察到的混淆因素，无需线性假设。实验证明了CBRL.CIV在处理非线性情况方面的优越性。

本文研究了在存在未观察到的混淆因素的情况下，从观察数据中估计因果效应的复杂问题。提出了一种基于混淆平衡表征学习的非线性 CIV 回归，CBRL.CIV，以消除混淆偏差并平衡观察到的混淆因素，无需线性假设。实验证明了CBRL.CIV的竞争性能和在处理非线性情况方面的优越性。

该研究使用因果论方法学习混淆因素的表示并消除模型中的偏见。研究发现，学习到的混淆因素表示能够捕捉数据集中的偏见，并且提出的消除偏见方法在多个多模态数据集上提高了模型的离分布性能，而不损害分布性能。

本文提出了一种基于混淆平衡表征学习的非线性 CIV 回归，CBRL.CIV，以消除混淆偏差并平衡观察到的混淆因素。实验证明了 CBRL.CIV 在处理非线性情况方面的优越性。

本文总结了2020年ChaLearn Looking at People Fair Face Recognition and Analysis Challenge的评测结果和优胜解决方案，并对结果进行了分析。比赛评估了算法在存在混淆因素时的准确性和性别、肤色方面的偏见。共有151个参与者，36个团队进入了最后一轮。其中10个团队在实现非常低的偏见指标的同时，AUC-ROC超过了0.999。参赛者们常用的策略包括面部预处理、数据分布的同质化、使用有偏向性的损失函数和集成模型。前10名团队的分析还表明，对于肤色较暗的女性，虚假阳性率较高，同时，佩戴眼镜和年龄较小也会增加虚假阳性率。