元学习器 S/T/X-Learner 算法对比

增益建模元学习器四大流派 (Meta-Learners: Single-Learner, Two-Learner, X-Learner & R-Learner / Künzel & Nie 提出) 是数据科学家利用任意标准机器学习算法（GBDT, LightGBM, 神经网络）作为底层 Base Regressor，无缝搭建因果效应预测器的核心架构；1) S-Learner (Single Model): 将处理标识 $T$ 作为单个普通特征与协变量 $X$ 一起训练单个模型 $\mu(X, T)$，预测增益 $\hat{\tau}(X) = \mu(X, 1) - \mu(X, 0)$（缺陷：高维下 $T$ 容易被特征选择忽略导致增益被严重惩罚归零）；2) T-Learner (Two Models): 独立训练两个模型 $\mu_1(X)$ (仅用处理组) 与 $\mu_0(X)$ (仅用对照组)，$\hat{\tau}(X) = \mu_1(X) - \mu_0(X)$（缺陷：未共享表征，两组样本量极度不平衡时泛化差）；3) X-Learner (Crossover Imputation): 交叉插补反事实残差，通过倾向得分 $e(X)$ 加权两阶段倾向模型，在处理组与对照组样本量极度不平衡（如发券仅触达 1% 用户）时表现最强；4) R-Learner (Robinson Residualization): 基于 Robinson 变换直接最小化正交残差平方损失。

电商与金融增益预测模型开发、样本不平衡下的精准营销触达、CATE 预测算法选型。

业务场景中实验组往往只有极小比例流量（如 99:1 的极度不平衡）；X-Learner 与 R-Learner 解决了 S/T-Learner 在小样本与不平衡下的偏差和过拟合问题。

写出 X-Learner 的完整四步执行算法：1) 拟合 $\mu_0, \mu_1$；2) 交叉插补伪效应 $D_1, D_0$；3) 拟合残差模型 $\tau_1, \tau_0$；4) 用倾向得分 $e(X)$ 加权组合？

为什么在处理组样本量极少（如 $N_T = 1,000$ vs $N_C = 100,000$）的极端不平衡场景下，X-Learner 能够大幅战胜 T-Learner？

S-Learner 的“正则化偏置 (Regularization Bias)”：为什么使用 L1 正则化（Lasso）或 GBDT 贪心树分裂时，处理变量 $T$ 很容易被完全忽略？

R-Learner 的 Robinson 变换推导：如何将 Neyman 正交性 (Neyman Orthogonality) 与残差化表达为加权平方损失 $\min_\tau \frac{1}{n} \sum (\tilde{Y}_i - \tau(X_i) \tilde{T}_i)^2$？

因果包选型实战：如何使用微软 EconML 与 Uber CausalML 工业级因果推断库快速落地 X-Learner 与 R-Learner？