本文介绍了一种无模型数据增强方法，旨在解决不同治疗组之间的统计偏差问题。通过学习相似性度量，能够可靠预测替代治疗组的反事实结果，从而显著提高模型性能和抗过拟合能力。此外，研究探讨了混淆偏差对分类器的影响，并提出了生成反事实图片的算法，验证了其在多个数据集上的有效性。

该研究提出了一种无模型数据增强方法，解决了不同治疗组之间的统计偏差问题，提高了现有模型的性能和抗过拟合能力。实验结果表明该方法具有显著的改进。