用于潜在结局分布的邻域引导流匹配

基于摘要分析。本文研究观察性因果推断中的条件潜在结局分布建模，旨在缓解选择偏差的同时，保留条件均值之外的结局变异。作者提出将表征平衡与邻域引导 flow matching 耦合的框架，避免仅对齐处理组表征而不能保证细粒度结局变化得到保留的问题。 机制上，方法鼓励不同处理组在潜在空间中对齐，并从目标处理组中选取协变量邻居的观测结局作为 flow matching 端点；速度场以个体学习到的表征及目标处理为条件。邻域监督按局部处理支持程度加权，使模型在存在合适邻居观测时借用结局信息。具体邻居选择、支持程度估计、损失形式及训练流程尚未验证。 理论方面，作者报告在标准识别假设和平滑性假设下，邻域监督以条件潜在结局分布的局部混合为目标，并给出该混合分布相对真实分布的偏差界。该结论的适用性取决于假设及局部邻域条件，不能直接视为对所有观察性数据的分布恢复保证。 实验方面，作者报告在合成数据上验证条件分布恢复效果，并在标准因果基准上评估处理效应估计。摘要未提供基准名称、划分、对照方法、指标或数值，实验协议、消融及统计信息尚未验证。复现时需核对表征平衡与邻域监督各自的贡献，以及局部处理支持不足时的表现。本文主要对象是因果结局分布估计，材料未提供 EEG/BCI 验证或明确的神经信号机制对应，因而不将其表述为 BCI 算法进展。