动态正则化 CBDT：方差校准因果提升，用于解释性异质处理效应

高风险场景下的异质处理效应估计要求模型同时优化精度、可解释性和校准性。然而，许多现有的基于树的因果推断技术在应用于观察性数据时表现出高估计误差，因为它们难以捕捉因素间复杂互动且依赖静态正则化方案。本文提出了动态正则化因果提升决策树（CBDT）框架，将方差正则化和平均处理效应校准集成到梯度提升决策树的损失函数中。该方法通过梯度统计信息动态更新正则化参数，以更好地平衡偏差-方差权衡。在标准基准数据集和真实临床数据上的广泛实验表明，所提方法显著提高估计精度，同时保持对真实处理效应的可靠覆盖。在一个重症监护室患者分流研究中，该方法成功识别出临床可操作规则，实现了高精度的处理效应估计。结果验证了动态正则化能够有效收紧误差界限，提升预测性能和模型可解释性。