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

使用机器学习方法估计异质治疗效应（HTE）可以在各个领域（如医疗保健、政策制定、教育等）中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架，实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测，并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。

Feb, 2024

该研究通过开发一种考虑每个特征值对异质性治疗效果估计的特征选择方法，并从数据中学习相关部分的因果结构，为处理真实世界数据的因果结构问题提供了解决方法。研究结果表明，该方法在任意潜在因果结构下均优于现有的数据驱动异质性治疗效果估计方法，并可降低异质性治疗效果估计误差。

Jun, 2022

本文提出了一种针对用户特征的统计方法，可以系统地识别任何感兴趣的用户组的异质性处理效应，并确定用户因素对 A/B 测试中处理效应的异质性的贡献，并展示了这些方法在虚拟数据和现实世界实验数据中是如何稳健地进行控制，并同时提供有关已识别用户组的异质性的有用见解，从而为 Snap 的许多 A/B 测试的测量提供了支持。

Aug, 2018

我们提出了一种稳定的 Balanced Representation Learning with Hierarchical-Attention Paradigm (SBRL-HAP) 框架，通过消除选择性偏见和解决分布漂移问题，实现了稳定的异质性治疗效果估计，从而提高了模型在现实世界中的适用性。实验结果表明，与现有方法相比，我们的方法在跨越不同人群的稳定 HTE 估计上具有显著的效果改善。

Jul, 2024

这篇论文通过潜在结果框架，提出了个性化医疗、社会研究和个性化营销等领域中利用治疗效果异质性调节来实现不同个体特征之间异质性处理效应估计和提高模型的研究方法，并对现有方法进行了结构性概述和主要应用程序的综述。

Jul, 2020

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

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

本文介绍了一种基于原型的可解释模型，在应对特定医学数据集的问题时，不仅能够具备可解释性，还能保持高性能。通过对一个合成和两个真实医学数据集的详细分析，这些模型得以证明在处理医学数据方面的有效性，可成为医学诊断提供支持。

Jun, 2022