Doubly（双重/双稳健）在机器学习语境下最常见的用法是 Doubly Robust（双稳健估计），这是一类同时结合倾向性得分模型与结果模型、只要其中一个建模正确就能保证估计一致性的统计方法，广泛用于因果推断与离线策略评估。它既不是模型也不是产品，而是一种“双保险”式的估计框架，近年来随着推荐系统、广告转化估计和策略学习的落地需求，相关研究持续活跃。
Doubly Robust 近期研究进展
与 DR 相关的其他方向
除了双稳健估计，Doubly 也出现在其他技术名词中。例如 $(\text{DNN})^2$: Doubly Non-Negative Relaxations for Deep Neural Networks 提出“双重非负松弛”用于深度神经网络的优化分析；Variance-Optimal Off-Policy Evaluation with Conjunct Effect Modeling 则从方差最优角度改进离线策略评估，与 DR 估计器处于同一问题域、互为参照；Wasserstein Policy Learning 用于分布结果型离线策略学习 关注的是结果为分布而非标量时的策略学习。此外，Hugging Face 联合创始人 Julien Chaumond 在 2025 年的一条推文中用“Doubly disappointing”评价 ChatGPT 下架其简洁的 macOS 应用、转向更臃肿形态的做法，属于语义上的巧合用法，与技术概念无关。
当前焦点与观察点
目前 Doubly Robust 方法的讨论集中在三点：一是如何在推荐排序、CVR 估计这类高维、行为异质性强的高流量场景中保持估计稳定性；二是处理干扰效应与纵向不规则数据等更接近真实业务的问题；三是与方差最优、分布结果等新兴离线评估框架的融合。可以预见，随着大模型驱动的推荐与决策系统需要离线评估以降低线上试错成本，双稳健估计作为其统计基础之一，研究热度仍会延续。观察点包括：DR 框架能否与深度模型端到端结合、以及在干扰与动态环境下的理论保证是否成熟。