本文探讨了双重机器学习（DML）方法在政策干预因果效应估计中的应用，特别是在地球科学和劳动力市场政策评估中。研究提出了规范化DR-learner方法，以克服个性化效果估计的局限性，并展示了非结构化多模态数据（如文本和图像）在因果推断中的潜力。通过图神经网络和机器学习，研究强调了准确识别假设的重要性。

该文综述因果推断中条件平均处理效应（CATE）的模型选择与估计方法，涵盖X-learner等元学习算法、因果BART、广义随机森林、双重机器学习及隐私保护分布式估计，并探讨多值处理、未观测混淆下的区间估计与最优性，通过模拟和实证验证各方法性能。