研究了采用分布鲁棒优化方法（distributionally robust optimization，DRO）来推断个性化治疗规则（individualized treatment rules，ITRs）的估计器在新设置中的应用，包括 Wasserstein distance-based ambiguity characterizations 和其在目标人群中的理论表现的评估。这个方法在目标人群中优于传统的策略。
May, 2022
本文提出了一种改进的人工智能医疗方法，叫残差加权学习，能够更好地优化治疗结果，提高疗效。
Aug, 2015
利用临床试验数据构建个体化治疗规则，采用基于 $l_{1}$- 惩罚最小二乘的估计方法，并找到最高的平均反应率。
May, 2011
本文介绍了 ODTR 超级学习算法在治疗效果异质性方面的应用，并通过模拟和实验研究证明了其能有效检测患者对不同治疗方式的反应，并针对实际情况提出了实施算法的注意事项和建议。
Jan, 2021
在存在干预关系的集群网络中，评估和学习个性化治疗规则的最优性能，提出了一个可用于评估个性化治疗规则经验性能的估计器，该估计器比标准的倒数概率加权估计器更有效，而且可以改善学习策略的性能。
Nov, 2023
使用贝叶斯非参数方法来建立个体化治疗反应曲线，从而提升个性化决策的精度，该方法使用观测时间序列，并结合 G - 计算公式对连续响应进行估计。
Aug, 2016
本文介绍了通过重新定义分类问题，将最优治疗规则的估计转化为分类问题，提出了一类新的基于凸大间隔分类器的最优治疗规则估计方法，这类方法具有双重稳健性，能够在使用属性模型或结果模型进行正确说明时一致地估计最优个体化治疗规则，并使用半参数效率理论技术推导了提议的估计器的一致收敛率，并使用这些结果表征了基于分类的方法估计最优治疗规则时的偏差 - 方差折衷，并通过仿真实验证明了在提议的框架内构造的新估计器可以显著优于现有估计器，数据来自劳动培训计划和炎症性肠病研究。
Jan, 2019
针对动态治疗方案中样本不足的问题，我们提出了一种新的个体化学习方法，以优化决策阶段中观测到的治疗轨迹与最佳治疗方案之间的一致性，并引入阶段重要性评分和注意机制来明确考虑决策阶段的异质性。在理论和实证研究中，我们证明了该方法的性质并对其性能进行了评估，包括广泛模拟环境和 COVID-19 疫情的实际案例研究。
Oct, 2023
本文展示了如何利用 Neyman 的方法通过实验证明个体化治疗规则 (ITRs) 的有效性，并解释了如何考虑交叉适配所引起的额外不确定性。该方法的主要优势在于，它适用于任何 ITR，不受用于推导 ITR 的机器学习算法特性的限制，并表明对于某些度量标准，进行 ITR 的后期实验证明比进行随机分配一些单位至 ITR 的前期实验证明更为高效。通过分析，证明了 Neyman 的重复抽样框架在因果推断中是与其创建以来一样相关的。
Apr, 2024
本文研究随机程序的优化问题，其中决策者不能观察到外生不确定性的分布，但可以访问此分布的有限样本。作者提出了一种元优化问题来找到最不保守的预测器和处方器，以及遵守它们的样本外失望约束。利用大偏差理论的工具，作者证明了该元优化问题有唯一解。最佳预测器 - 处方器对可以通过在距离数据的经验分布一定的相对熵距离内的所有分布上求解一个分布的鲁棒优化问题来获得。
Apr, 2017