- ICML多环境下部分识别的治疗效果的元学习器
从多环境的观测数据中，利用部分识别法通过元学习器估计条件平均治疗效应的边界。
- 自适应实验中的差分隐私 CATE 估计
该研究旨在研究上下文匹配实验中社会福利损失与统计功效之间的折中，并提出了一个多目标优化问题的上下界匹配方法，以及结合隐私保护措施的差分隐私算法，并推导出了估计器的渐近正态性质。
- 评估治疗效果的表征诱导混杂偏倚的界限
提出了一种对条件平均处理效应（CATE）估计中维度约束引起的混淆偏差进行边界估计的新的、无关于表示的框架。
- 治疗效果估计的最优传输
我们提出了一种名为整体空间因果回归（ESCFR）的原则性方法，该方法利用随机最优输运的框架来应对观察数据中的治疗选择偏倚问题，并通过放松保质保量约束和设计近端事实后果约束来解决小批量采样效应和未观测混淆因素的影响，实验证明我们的方法能够成功 - 个体治疗效果的预测推理的共形元学习器
发展了一种基于机器学习的预测推断方法，使用标准的符合性预测程序，在条件平均处理效果的元学习器上发出处理效果的预测区间。
- 使用闭式求解器的异质性治疗效应估计元学习
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 - 异质因果效应估计模型选择的实证分析
研究因果推断中的模型选择问题，特别是针对二元处理条件下的条件平均处理效应（CATE）估计问题。作者设计了一种不依赖反事实数据的模型选择技术，并通过广泛实证分析验证了各种代理度量标准在真实数据集上的性能表现。
- 深度端到端因果推断
本研究开发了深度端到端因果推断模型 DECI，能够处理异构的混合型数据以推断因果关系和估计条件平均处理效果，实验结果表明 DECI 比基线方法具有更高的性能。
- 通过因果研究中的校准稳定地发现可解释的子组
使用 StaDISC 开发了一种新的解释子组稳定发现的方法，通过校准条件平均治疗效果来鉴定 3 个有临床意义的治疗组，并用单独研究得出的结果来支持其表现良好的策略。
- 使用机器学习估计异质性治疗效果的元学习器
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。