задачам. Качество измерялось метрикой PEHE (Precision in Estimation of Heterogeneous Effect), которая позволяет честно вычислить ошибку предсказания индивидуального каузального эффекта. S-learner обучает одну модель на всех данных с флагом воздействия как признаком. T-learner строит две отдельные модели для групп с воздействием и без. X-learner дополнительно использует псевдоэффекты и propensity-модель для взвешивания. Causal Forest — ансамбль деревьев, которые оптимизируют сплиты для максимизации различий в эффекте воздействия. В статье также обсуждаются сильные и слабые стороны каждой архитектуры, включая чувствительность к дисбалансу и вычислительную сложность.