一项药物试验显示它对某类患者更有效，但参试者往往不等于现实中的全部患者：年龄、病情或检查指标的构成都可能不同。这项研究要解决的，就是如何把随机对照试验（RCT）里观察到的差异化效果，推广到真正需要决策的目标人群。
作者提出 gDR-Learner。它估计条件平均处理效应（CATE）——具有某些特征的人，接受干预后平均能多获益多少——同时校正参试者与目标人群的特征差异。方法会分别学习治疗结果和进入试验的概率，再用交叉拟合减少机器学习过拟合。关键进展是：作者证明，多项辅助模型的误差只以乘积形式影响最终结果；因此，即使单个模型学得较慢，整体仍可达到仿佛已知这些模型时的收敛速度。
论文还处理了生物标志物只在试验内测量、目标人群特征只在代表性子样本中收集等现实缺口。作者称，模拟中 gDR-Learner 在协变量完整时估计误差最低，信息不完整时也优于对照方法；不过现有材料未给出具体误差数字。