HiSTOR：面向高维纵向数据的结构化治疗–结局表征学习

基于摘要分析。HiSTOR 研究在高维协变量和时变混杂条件下，如何估计不同治疗序列对应的潜在结局；其贡献是将非线性降维与纵向反事实预测整合为端到端框架，同时处理协变量维度与历史信息复杂性。 核心机制是依据变量与治疗分配、结局之间的共享及特异关系，为当前患者状态和演变历史学习结构化低维表征，将潜在空间中的协变量调整扩展到纵向场景。框架支持在指定治疗序列下进行单步和多步结局预测。摘要未给出表征分解的具体实现、损失函数或反事实识别假设，不能据此确认其如何控制未观测混杂。 作者报告，在 CVSim 和 CancerSim 实验中，HiSTOR 在不同协变量维度、混杂强度及预测时域条件下优于所比较的方法。摘要未列出具体指标、数值、基线名称和数据划分，实验协议、消融及统计信息尚未验证。摘要提供的代码与教程链接为匿名占位地址，实际可访问性及复现资源尚未验证。 平台推测（待验证）：若用于包含重复干预、EEG 状态观测和后续结局的纵向决策研究，其结构化状态与历史表征可能有助于处理高维观测和时变混杂；该假设并非普通 EEG 分类或 BCI 解码的已验证改进。迁移依赖时间顺序明确的干预、协变量与结局记录，并需核对因果识别条件。可考虑复用表征组织方式，但需改造 EEG 编码与历史时间尺度；低信噪比、跨被试差异、通道变化和小样本可能使潜在表征丢失混杂信息。一个可证伪的小实验是在带已知干预机制与真实潜在结局的 EEG 特征模拟纵向数据上，固定预测器，比较结构化表征与非结构化降维的反事实预测误差。已有 EEG 相关工作尚未检索确认。