ESCM：用于点击后转化率估计的全空间反事实多任务模型

基于摘要分析。本文研究推荐系统中点击后转化率（CVR）估计的样本选择偏差与数据稀疏问题，提出 Entire Space Counterfactual Multi-task Modelling（ESCM²），通过在 Entire Space Multi-task Model（ESMM）中加入反事实风险最小化正则项，改善转化率估计偏差及点击—转化关系的建模。 ESMM 系列利用 impression→click→conversion 的序列关系缓解数据稀疏。作者报告，其理论分析揭示 ESMM 的两类问题：Inherent Estimation Bias（IEB），即估计的 CVR 内在地高于真实值；Potential Independence Priority（PIP），即估计点击且转化概率（CTCVR）时存在忽略点击对转化因果作用的风险。ESCM² 将反事实风险最小化器作为 ESMM 的正则项，以同时处理两类问题；具体损失形式、反事实估计方式及理论成立条件尚未验证。 作者报告，在离线数据集和在线环境中的实验表明，ESCM² 能缓解 IEB 与 PIP，并优于对照模型。摘要未给出数据集名称、划分方式、基线配置、指标或效果数值，实验协议、消融及统计信息尚未验证。 该工作的主要对象是推荐系统中的选择偏差校正，而非状态空间模型或神经信号解码。平台推测（待验证）：若 EEG 研究中的样本入选机制可被明确建模，反事实风险校正可能具有参考价值；但当前材料不足以建立与具体 EEG 任务的机制对应，不能视为已验证的 BCI 方法，相关 EEG 工作尚未检索确认。