我们提出了一种名为数据协作双重机器学习（DC-DML）的方法，用于估计具有隐私保护的分布式数据的 CATE 模型，并通过数值实验对该方法进行了评估。

Feb, 2024

本研究提出了一种可扩展的损失最小化方法，用于估计有界效应的未观察混淆因素对治疗选择的倾向比的条件平均治疗效应（CATE）的界限。同时，还引入了灵活的模型类别进行估计，并提供了关于平均治疗效应（ATE）的灵敏度分析，我们发现最优边界在某些情况下是紧的。该方法在模拟和实际数据示例上表现出准确的覆盖率。

Aug, 2018

通过学习多准确性预测器，我们提出了一种方法，用于在部署时解决未知协变量转变，从而改善异质处理效应预测，并在因果推断和机器学习中取得了令人满意的结果。

May, 2024

本文考察了异质性效应估计中条件平均处理效应的方法，并尝试分析了它们的最优性与局限性，提出了一种局部多项式适应的双重残差回归方法，可以在更弱的条件下实现最优效果。

Apr, 2020

通过联邦学习和差分隐私，我们提供了一种在多个医疗机构之间进行平均治疗效果估计 (ATE) 的联邦分析方法，解决了医疗领域中不同数据源之间的隐私保护和数据利用的问题。

Oct, 2023

通过不同隐私保护数据收集，可以解决由算法偏见导致的数据收集问题，这不仅限于简单的数值类数据，也包括了复杂数据的假设检验。而且，该方法还能够计算数值类数据（如随机 bandit 算法的经验平均数）的偏差，并校正根据适应性收集的数据进行的假设检验的 p 值。此外，存在具有近优后悔界的差分私有 bandit 算法，我们利用现有的理论在简单随机情况下进行了应用，并为线性背景 bandits 提供了新的分析。我们通过实验证明了理论结果。

Jun, 2018

本研究提出了一种能够学习条件平均治疗效果的函数区间估计器，通过加权核估计与对手模型，实现了在实际未观测混淆下，对个体因果效应的预测，并且通过个性化决策规则，实现了渐近无遗憾的最优性能。

Oct, 2018

在关于两种处理方法的因果推断中，条件平均处理效应（CATEs）作为一种代表个体因果效应的数量起着重要角色，它被定义为在协变量条件下两种处理方法的期望结果的差异。本研究假设了两个潜在结果与两种处理方法的协变量之间的线性回归模型，并将 CATEs 定义为这两个线性回归模型之间的差异。我们提出了一种方法，用于在高维度和非稀疏参数下一致地估计 CATEs。通过假设 CATEs 的隐式稀疏性，我们展示了理论上的一致性等理想性质的实现性，即使不显式假定稀疏性。利用这种假设，我们开发了一种专门用于 CATE 估计的 Lasso 回归方法，并证明了估算量的一致性。最后，我们通过模拟研究确认了所提出方法的合理性。

Oct, 2023

本文通过自适应加权控制方差，改进了重复鲁棒估计器，并且使用合成数据和公开基准测试提供了经验证据，相较于现有方案，我们的估计器具有更高的精确性和推论属性。

Jun, 2021

设计了一种自适应实验方法来有效估计平均处理效应 (ATE)，并通过优化协变量密度和倾向分数，减少了渐近方差。

Mar, 2024