用于治疗效应估计的可学习查询引导表征学习

基于摘要分析。该研究针对因果推断中因反事实数据缺失与选择偏差而难以估计个体治疗效应（ITE）的问题，提出基于可学习查询 Transformer 的表征学习框架 LQTEE；主要研究对象是治疗效应估计，而非 EEG 解码或 BCI。 机制上，LQTEE 学习一组不依赖具体样本的查询，分别从协变量与治疗数据中提取全局关键特征。作者提出层次化倾向评分正则化对抗损失，以获得平衡的协变量表征；同时利用查询间的相互正交约束，引导不同查询关注协变量的不同部分，旨在自适应降低工具变量的影响。摘要未提供损失的具体形式及工具变量影响的验证方式。作者还提出，治疗表征学习可支持一般形式的治疗，并有助于揭示数据生成过程中的潜在模式，但适用治疗类型与识别条件尚未验证。 作者报告，在其治疗效应估计实验中，LQTEE 显著优于所比较的现有先进方法；摘要未列出数据集、样本规模、数据划分、对照方法、指标数值或显著性检验细节，因此无法判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证。复现时需核对查询配置、平衡目标、正交约束，以及因果识别所依赖的假设。 平台推测（待验证）：可学习查询与多样性约束可作为 EEG 特征聚合的候选机制，但本摘要不足以建立治疗选择偏差与跨被试 EEG 分布差异之间的具体对应关系，不能据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。