个性化决策需要了解不同处理方法的结果及其置信区间。研究提出wTCP-DR方法，在隐性混淆下提供反事实结果的置信区间，解决观测与干预分布间的协变量转移问题。理论和实验表明该方法在覆盖率和效率上优于现有方法，适用于推荐系统等场景。

设计深度神经网络分类器是机器学习研究的活跃领域，但回归问题仍相对未经探索。研究者回归到第一原理，分析了最小二乘回归解对协变量转移的敏感性，并提出了一种方法来适应预训练神经回归模型的最后一层权重，以在不同分布的输入数据上表现更好。他们展示了这种方法如何改善数据集的性能。

该文介绍了使用新的先验概率分布提高贝叶斯神经网络对多种协变量转移的稳健性。使用全批处理的哈密尔顿蒙特卡罗来近似推断的贝叶斯神经网络在协变量转移下表现良好，但在输入特征中存在线性相关性导致后验收缩不足的情况下，贝叶斯模型平均可能会出现问题。