多环境下部分识别的治疗效果的元学习器
本文研究了针对多值处理的异质效应的元学习方法，考虑不同的元学习算法，以及它们在不同的参数下的误差上界，提出并讨论了能够适用于不同处理多样性的方法，并使用合成半合成数据集验证了这些方法的优劣。
May, 2022
本文提出了一种使用神经网络进行元学习的方法来估计少量观测数据下的条件平均处理效应（CATE），该方法将 CATE 估计问题分解成多个子问题，并使用共享和特定于任务的参数的神经网络来建立估计模型，以实现有效的元学习。实验结果表明，这种方法在元学习和 CATE 估计方面优于现有的方法。
May, 2023
介绍了一种利用机器学习和统计学中的任何监督式学习或回归方法来估计条件平均处理效应（CATE）函数的元算法，其中包括一种新的元学习者 X-learner，通过广泛的模拟研究和两个政治学实验表明该算法的有效性和应用。
Jun, 2017
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
通过结合工具变量和观测数据，本文提出了一种可靠的方法来估计存在观测数据中的未观察混淆以及工具变量数据中的低合规性（包括某些子群体的零合规性）的条件平均处理效应（CATEs）。
Jun, 2024
该论文提出了一种称为 MRIV 的机器学习框架，基于二进制 IVs 直接估计个人化药物治疗效果，解决了实践中治疗分配容易被未观察变量混淆的偏差问题，并给出了理论分析证明的理论和实验结果表明，其性能表现优于已有的 IV 貌似方法。
Aug, 2022
这篇论文主要讨论了利用机器学习和计量经济学方法来预测及估计治疗效果中的个性化处理效应，作者使用了 meta-learner，比如的 Doubly-Robust, R-, T - 和 X-learner，以及专门设计来估计 CATE 的工具如因果 BART 和广义随机森林，通过两个实证案例 - 小额信贷可利用性和 401 (k) 养老计划资格的影响与效果，发现所有观察值均具正面的治疗效应，但存在不同的效应异质性。
Apr, 2021
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
本研究提出一种称为 B-Learner 的元学习器，可以在隐含混淆的限制下有效地学习 CATE 函数的尖锐界限，该方法具有有效、尖锐和高效的性质，在更一般的条件下，其估计量具有拟神谕性质。
Apr, 2023