- WWW整体链路上提升建模与上下文增强学习在智能营销中的应用
本文介绍了一种解决连锁偏差问题和治疗非自适应问题的崭新方法 ——ECUP，该方法利用整个链路空间，通过提升整体链路增益网络和治疗增强网络的上下文感知能力，有效估计和建模各个任务上治疗的影响。实验证明了 ECUP 方法的有效性，并已在美团外卖 - 对社交网络进行因果效应估计的治疗感知双曲表示学习
通过在社交网络中使用超伸缩表示学习，以及利用针对个体和其邻居是否接受相同治疗方法的处理感知式关系识别模块来增强隐藏混淆因素的表示，我们提出了一种名为 TAHyper 的新颖方法，以应对从观察数据中估计个体治疗效果时面临的关键挑战。
- 连续治疗效果估计的对抗平衡表示
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 - KDD电信行业流失预测数据集：提升建模的新基准
这篇论文介绍了一份面向过渡预测的新的基准数据集，来自比利时的一个电信公司，Orange Belgium。它是第一个公开可用的数据集，可以评估在过渡预测问题上使用提升建模的效率。此外，它独特的特点使其比其他少数公共提升数据集更具挑战性。
- 异质干扰下的治疗效果估计
通过开发一种从不同视角聚合信息的新架构，我们提出了一种模型异质干扰的新方法，包含图神经网络、不同视角信息的聚合机制和注意力机制，经过多个数据集的实验，证实了模型异质干扰建模的重要性。
- KDD面向在线营销的显式特征交互感知提升网络
本文提出了一种显式特征交互感知抬升网络（EFIN），旨在完全利用处理信息和挖掘对于特定处理敏感的特征，EFIN 包含四个自定义模块：特征编码模块，自交互模块，处理感知交互模块和干预约束模块。通过在两个公共数据集和一个产品数据集上的实验验证了 - SECRETS: 使用合成干预实现主体高效临床随机对照试验
提出了一种名为 SECRETS 的新框架，利用合成干预的算法来模拟交叉试验，可以在不使用任何外部数据的情况下估计 RCT 研究中每个患者的个体治疗效果，并使用新的假设检验策略来确定治疗是否具有临床意义的 ATE。
- 超图中的因果影响最大化
本研究提出了一种名为 CauIM 的新算法，通过重建每个节点的 ITE，并采用加权贪婪算法最大化受感染者 ITE 之和，以实现影响传播的合理目标。实验结果表明，CauIM 在超图流行度最大化方面表现卓越，超越了以前的 IM 和随机方法。
- KDD基于深度全空间交叉网络的个体治疗效果估计
DESCN 是一种深度学习框架，可从整体的样本空间中学习出处理和响应函数，同时通过中间伪处理效应预测网络来减轻样本失衡，并成功提高了 ITE 估计的准确性和提升排名表现。
- 学习超图上的因果效应
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。
- 估算具有时间变动混淆因素的个体处理效果
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 - 多个治疗方案的提升建模与成本优化
本文介绍了使用 uplift modeling 在多种处理组中分别分析处理效果的机器学习方法，通过人工合成数据以及真实数据进行模型测试，并提供了生产实施方案。
- 利用随机森林方法估计观测数据中的个体治疗效果
本研究旨在使用反事实框架结合随机森林 (RF) 来估计个体治疗效应，不受观察数据中共变量和选择偏差影响，并通过对比实验发现，针对共变量自适应的方法优于其他方法，以此揭示了药物使用与性风险之间的重要联系。