本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果，其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异，并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函数。特别地，一个两阶段最近邻估计器可以通过抛弃匹配质量差的观测值来接近极小值。我们还建立了密度比的紧密依赖性，而不需要通常的假设协变量密度远离零，在此关键步骤是采用独立于兴趣的新型极限不等式。
Feb, 2020
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
本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确，并将该方法应用于一个大规模的针对搜索引擎的实验。
Apr, 2015
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
本研究提出一种基于深度学习的经济计量学技术，特别是针对因果推断和估计个体和平均处理效果。具体而言，我们分析了使用自编码器进行降维的广义邻居匹配用于估计个体处理效果和平均处理效果，并将深度神经网络应用于倾向得分匹配以提高性能。
Mar, 2018
本文提出了一种利用混合大量的观测数据和少量随机数据通过表示学习来估计异质化治疗效果的框架，成功设计了一个名为 CorNet 的样本高效算法，并通过多个真实世界数据集展示了该方法优于现有方法的效果。
Feb, 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
研究了如何利用随机超平面对区域进行均匀的镶嵌，并利用超平面将欧氏空间中的有界集嵌入哈明空间中，从而实现对欧氏空间中集合的离散化降维。
Nov, 2011
研究结构化相似性如何对待不同治疗方式下潜在结果进行利用，以获得有限样本中条件平均治疗效果的更好估计，比较三种端到端学习策略以解决存在异质性和利用共享结构不充分问题，实验结果表明三种方法都能对许多基准产生实质性提升，并获得了不同实验设置下性能差异的深入认识。
Jun, 2021
本文研究利用少数随机仿射超平面生成的分割可近似在任意有界集合 $T$ 内两点间的欧几里得距离，从而得出这种生成方式需要的超平面数量，以及将其应用于一比特压缩感知方案并证明了其鲁棒性以及通过凸优化可以实现精准重建。
May, 2018