基于状态空间模型的有效且高效的时变反事实预测

基于摘要分析。本文研究从观察性纵向数据进行时变反事实预测（TCP），以支持多个序贯处理的分配时机与方式决策。作者提出 Mamba-CDSP（Covariate-based Decorrelation towards Selective Parameters），利用状态空间模型的长序列建模能力，并通过去相关机制处理混杂偏差，兼顾预测效果与运行效率。 核心机制：针对直接协变量平衡方法可能产生的过度平衡问题，作者提出降低当前处理与历史协变量、处理及结局表征之间的相关性，目标是在缓解混杂偏差的同时保留更多协变量信息。作者进一步指出，TCP 中的整体去相关可等价转化为对 Mamba 各时间步选择性参数的正则化，从而形成较轻量的实现。等价关系的成立条件、具体损失形式、正则化对象及训练流程尚需全文核对；去相关本身也不能据此认定已满足因果识别条件。 结果与证据：作者报告，在合成与真实世界数据集上的实验中，Mamba-CDSP 相比基线取得较大的性能提升，并表现出运行效率优势。摘要未提供数据集名称、样本规模、序列长度、划分协议、具体基线、指标数值或计时条件，不能量化提升幅度，也不能据此确认对所有 LSTM 或 Transformer 因果方法的普遍优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法依赖包含协变量、序贯处理和结局的纵向数据，并非普通 EEG 分类模型。假设用于具有明确干预记录与结局定义的闭环 BCI 数据，可探索其对长时程处理历史和混杂因素的建模价值。可复用候选是 Mamba 序列建模与选择性参数正则化思路，但需改造 EEG 表征、处理编码及结局定义；低信噪比、跨被试差异、小数据规模和未观测混杂均可能使其失效。一个可证伪的小实验是在保留真实 EEG 噪声特征的半合成长序列中设定已知处理效应，以一致划分比较 Mamba-CDSP 与不含去相关约束的 Mamba 的反事实预测误差及运行时间。此方案不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。