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。