本文提出了一种新型的 uplift 算法，通过随机森林进行建模，利用一种新颖的评估方法可以获取 uplift 模型中最重要的性能度量值 - 预期响应，解决了数据无法测量个体对不同治疗方式响应的问题，在合成数据和行业提供的数据上的实验结果表明，该算法在任意数量和不同响应类型的治疗方式上，性能显著优于其他可行方法。

May, 2017

对于估计异质性治疗效果的研究人员，不需要局限于单个模型拟合算法，应通过从验证集中学习的目标函数对使用多个算法拟合的多个模型进行评估，从而选择最小化目标的模型，用于未来个体的治疗效果估计。

Apr, 2018

本文介绍了使用 uplift modeling 在多种处理组中分别分析处理效果的机器学习方法，通过人工合成数据以及真实数据进行模型测试，并提供了生产实施方案。

Aug, 2019

本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

Jan, 2023

研究利用后处理的特征重要性方法来评估治疗效果估计器，通过建立基准环境，从而以往未被重视的新维度来研究个性化治疗效果模型的能力，以识别影响模型预测的特征，并提供有关处理效果模型的不同类型的优缺点的新见解。

Jun, 2022

本文研究对社会项目和医疗方案的疗效进行随机实验评估时，如何准确评估其异质性治疗效应，进而为大量可用的治疗方案选择最有效的方案，确定治疗成功或失败的人群，以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法，并证明其优于常用替代方法。

May, 2013

我们的研究表明，训练数据中的异方差性可能导致提升模型排名的偏差：具有最高治疗效果的个体可能会大量积聚在排名的底部，我们理论上解释了异方差性如何偏倚提升模型的排名，并通过模拟和真实数据展示了这一过程。我们认为异方差性导致的排名偏差问题可能出现在许多实际应用中，并需要调整治疗优先级以实现有效的治疗分配。

Dec, 2023

该研究旨在提出三种方法，以利用临床记录中包含的数据来为患者提供更好的医疗建议，并通过模拟表现良好。

Jul, 2017

利用提升建模以个体或子群组级别估计治疗效果的机器学习技术，是在线电子商务平台个性化的关键趋势之一，它能够选择最佳的治疗方案以最大化目标业务指标。研究探讨了引起潜在效益和潜在成本之间权衡的个性化促销活动，并介绍了新兴的提升建模技术。还讨论了不同方法的优势和局限，并深入探讨了约束提升建模的独特设置。最后，提出了实际应用和在实施这些模型时面临的挑战。

Aug, 2023

本文探讨了异质性治疗效应估计的一个变体问题，提出了一种基于树形学习方法来寻找治疗效应异质性的方法，可以学习和确认个体化的治疗方案，并在多个数据集上的实验证明了该方法比现有方法更为优越。

Jan, 2019