本研究提出了一种无需先前数据就可以预测新型干预效果的因果元学习框架 (CaML)，它是一种单一元模型，可跨越数千个任务进行训练，结合基于个体特征和干预信息的元特征，证明了在医疗和细胞实验中的有效性。

Jan, 2023

本论文提出了一种基于逆倾向评分技术的无偏学习框架，以解决推荐系统中的因果效应问题。通过构建无偏估计器和进行经验风险最小化，该框架可以有效地提高有限训练样本下的方差，从而开发出一种基于无偏学习方法的因果效应扩展排序度量方法。该方法在各种设置下的性能均优于其他有偏学习方法。

Aug, 2020

本文提出了一种从观察数据中估计因果效应的方法，通过 Intrumental Variable 的方法，对 2.1 百万用户的 Amazon 浏览记录进行了分析，发现推荐系统尽管占据了很大一部分浏览产品的流量，但是最多只有 25% 的流量是因为推荐系统而产生的。

Oct, 2015

基于数字技术的学习内容个性化给个体和社会带来了巨大的好处，然而如何实现这种个性化仍然是一个未解之谜。为了解决这个问题，我们在一个大型数字自学平台上进行了一项随机对照试验。我们基于两个卷积神经网络开发了一个算法，根据学习路径将任务分配给 4365 位学习者，将学习者随机分为三组：两个处理组（一个群组自适应处理组和一个个人自适应处理组）和一个对照组。我们分析了三组在平台上所提供的努力和表现之间的差异。我们的空缺结果揭示了与学习路径个性化相关的多个挑战。

Jul, 2024

本文介绍如何利用因果推断来理解与环境交互并预测系统变更的后果，从而使人类和算法能够选择改变，以改善系统的短期和长期性能。作者还通过对 Bing 搜索引擎广告放置系统的实验来说明他们的方法。

Sep, 2012

本文讨论了机器学习模型在线实验所面临的问题，指出常用的 A/B-tests 并不能保证无偏估计。因此，文章提出了对从事此领域的从业人员和研究人员的影响及解决方案。

Apr, 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

本文旨在探讨在观察性或非全随机数据上进行因果推断的问题以及利用统计学习工具来解决这些问题。我们介绍了现有最先进的合适的框架，可通过非参数回归模型估计个体处理效应，并提出了模型选择问题，旨在利用某些方法对三个不同模拟研究的效果进行说明。最后，我们演示了在学校餐饮计划数据的实证分析中使用一些方法。

Sep, 2020

推荐系统对于内容分享平台的个性化内容整理至关重要。 通过进行创作者方面的随机实验以估计治疗效应，定义为当新的（而不是现状）算法在平台上部署时，平台经常评估面向内容创作者的推荐系统更新。我们展示了标准差异估计量可能导致偏倚的治疗效应估计。这种偏倚的产生是因为推荐干扰，即在推荐系统中，受治疗群体和对照群体的创作者竞争曝光机会。我们提出了一种 “推荐选择模型”，该模型捕捉到在包含受治疗和对照内容项的池中如何选择项目。通过结合结构性选择模型和神经网络，该框架以微观基础的方式直接建模推荐干扰路径，并考虑丰富的观众 - 内容异质性。使用该模型，我们构建了一种一致且渐近正态的治疗效应的双重 / 无偏估计量。我们通过对微信短视频平台进行的一项实地实验展示了其实证表现：除了标准的创作者方面实验外，我们还进行了昂贵的阻塞性双边随机化设计以获得没有干扰偏倚的基准估计。我们展示了相对于标准差异估计量，所提出的估计量显著减少了治疗效应估计中的偏倚。

Jun, 2024

本研究论述了一些治疗效果评估的方法，探究了不同的元学习策略并以神经网络为基础，旨在构建更好的条件 / 环境下，使某些学习者的表现优于其他学习者的认识。

Jan, 2021