本文从因果关系的角度出发，探讨了如何在超图中估计个体治疗效果 (ITE)，并提出了一个新的超图神经网络框架以更好地建模高阶干扰。实验证明，与现有基线相比，我们的框架具有更好的表现。

Jul, 2022

我们研究了多个治疗和网络观测数据背景下的个体治疗效果估计问题，利用网络信息以增强强可忽略性假设在实际应用中的适用性，并通过图卷积网络学习共享的混淆因素表示，设计了损失函数以组合表示损失和均方误差损失。通过在 BlogCatalog 和 Flickr 等基准数据集上进行一系列实验，实验结果一致表明与基准方法相比，我们的模型显示出优越的性能。

Dec, 2023

本篇论文提出了一种基于网络结构的 Graph Infomax Adversarial Learning (GIAL) 模型用于处理不平衡网络结构下的治疗效果估计，并在两个基准数据集上展示了其优越性。

Jun, 2021

本文提出了一种基于深度学习的框架，用于训练通过软权重共享的超网络实现不同处理组之间的动态端到端信息共享，并解决了现有 CATE 学习者在训练时需要将数据拆分为潜在结果函数的问题，增加了新型的不确定性感知 CATE 学习者类 HyperCATE，实验结果表明，该框架通过反事实推理改进了 CATE 估计误差，对较小数据集的效果更加显著。

May, 2023

近年来，对使用机器学习技术估计治疗效果的兴趣逐渐增长。本文讨论和分类了这些模型的算法归纳偏差，并提出了一种考虑因果图中的附加信息的新模型 NN-CGC，通过对模型实施新的约束，解决了来自虚假变量相互作用造成的偏差，并且可以与其他表征学习方法集成。我们使用三种不同的基础模型对我们的方法进行有效性测试，结果表明，我们的模型约束带来了显著的改进，在治疗效果估计方面取得了最新的全球领先成果。我们还展示了我们的方法对不完整因果图的鲁棒性，并且使用部分因果信息要优于忽略它。

Apr, 2024

使用图神经网络结合节点回归和消息传递机制，结合收集训练数据的策略，在大规模电子商务数据中实现对有限标记样本的因果效应估计。

Mar, 2024

通过对抗对照回归网络（ACFR）以 KL 散度为度量标准对数据集进行平衡，利用注意机制保持治疗价值对结果预测的影响，理论上证明 ACFR 的目标函数是反事实结果预测误差的上界，并在半合成数据集上实验评估中证明了 ACFR 相对于一系列其他最新方法的优越性。

Dec, 2023

本文提出了一种名为 “超宾说外显”（HIE）的方法，通过使用节点到原点的超宾距离（即超宾范数）推导出的无成本分层信息来改进现有的超宾表示方法，并在各种模型和不同任务上的广泛实验中展示了该方法的多功能性和适应性。

Jun, 2023

通过利用大规模的观察性病人数据和生物医学知识图谱，本文提出了一种新型的预训练和微调框架 KG-TREAT 来增强治疗效果评估，该方法构建了双重关注的知识图谱并整合了深度双层关注协同方法，通过对病人数据和知识图谱的深入信息融合，能够对治疗相关和结果相关关系进行独特编码，并通过两个预训练任务来确保对病人数据和知识图谱进行全面的处理和上下文化。在四个后续治疗效果评估任务的验证中，KG-TREAT 相比现有方法表现出更高的效果，ROC 曲线下的面积（AUC）平均提高 7%，基于影响函数的异质效果预估的精度（IF-PEHE）平均提高 9%。同时，通过与已建立的随机临床试验结果的验证，证实了我们估计的治疗效果的有效性。

Mar, 2024

本研究提出 Deep Sequential Weighting (DSW) 模型通过使用深度递归加权神经网络，将当前的治疗方案和历史信息结合起来推断隐藏的混淆因素并计算个体治疗效果，从而为个性化医疗铺平道路，实验结果表明，该模型可准确预测并生成无偏的治疗效果。

Aug, 2020