本文提出了一种高效的近似数据 Shapley 值方法，能够在不同学习设置中提高计算速度，最高可达 9.9 倍。研究表明，该方法在评估数据价值时优于其他方法，有效提升预测器性能。此外，文中探讨了基于概率分类器的 Shapley 值和分布式数据 Shapley 值的应用，提供了新的算法和理论支持。

该文综述条件平均治疗效应（CATE）估计的多项研究：提出有界混淆下CATE界限的损失最小化方法及ATE灵敏度分析；局部多项式双重残差回归在更弱条件下实现最优估计；联邦学习结合差分隐私跨机构估计ATE；函数区间估计器实现未观测混淆下的个体因果效应预测；高维非稀疏参数下利用隐式稀疏性的Lasso一致估计CATE；基于超网络的深度学习框架HyperCATE改进估计误差；Q聚合模型集成获得最优选择遗憾率；比较多种meta-learner与因果BART、广义随机森林在小额信贷和401(k)案例中的异质性效应；基于树模型的模型平均提升分布式数据下CATE估计精度。

研究发现，联邦学习系统在面对恶意客户端的攻击时更为稳健，这是因为分布式数据上的分散训练和平均操作的影响。这项研究对于理解联邦学习系统的稳健性以及应用中的实际问题具有重要意义。