在医疗干预、政策评估、金融信贷等现实场景中，我们经常面临一个关键问题：“某个个体在接受或未接受某种处理（如服药、培训、推荐）后，其结果会发生怎样的变化？”这正是因果推断所试图解答的核心挑战，尤其是在无法进行随机对照实验的观测数据中，如何准确估计个体处理效应（Individual Treatment Effect，ITE）变得尤为关键。随着深度学习的崛起，TarNet、CFRNet 与 DragonNet 等神经网络架构被提出，作为一系列创新性的深度因果推断模型，它们在建模处理偏倚、对抗分布不一致以及提升反事实预测准确性方面展现出强大潜力。本文将围绕这三种模型，从原理解析、结构设计、关键创新到应用实践进行系统梳理，帮助读者全面理解深度因果推断的发展脉络与落地路径。
1. 解决的问题：如何估计个体因果效应（ITE）并消除处理偏倚？
在医疗推荐、精准营销、政策制定等应用中，决策常常依赖于个体层面的干预效果估计（ITE, Individual Treatment Effect），即：在现实应用中，我们常遇到如下问题：
给定一个人接受或未接受某种干预，我们只能看到一个结果，如何估计未观测到的另一个结果？
这正是个体处理效应（ITE）估计问题，其核心挑战在于：
-
无法同时观测同一个个体的两个结果（反事实问题）；
-
数据往往是观测性的（非随机分配），存在处理偏倚（selection bias）；
-
对模型泛化性要求极高（真实分布中可能存在分布偏移）。
为了估计
，我们需要构建具有泛化能力的模型，从观测数据中学习潜在表示并对反事实进行合理预测。
2. 核心思想对比
TarNet 提出共享表示网络 + 双输出路径，显式建模 Y(0),Y(1)，仅使用 Factual Loss。
CFRNet 在 TarNet 基础上引入 IPM 距离约束，实现处理组/对照组表示对齐。
DragonNet 进一步联合建模 Propensity Score（处理概率），增加 regularization 约束 ITE 稳定性。
它们都建立在同一框架下，但针对不同方面做出加强：
-
TarNet：因果预测的基本结构；
-
CFRNet：强化处理不平衡问题；
-
DragonNet：统一建模 Y 与 Propensity。
完整文章链接： 基于TarNet、CFRNet与DragonNet的深度因果推断模型全解析
)
