分布值潜在结局的泛化界与表征学习

基于摘要分析。本文研究分布值潜在结局的异质性处理效应：当每个研究单位具有多次处理后测量时，以概率分布而非单个数值描述结局，从而刻画条件均值不变时仍可能发生的离散程度、尾部或形状变化。核心贡献是构建基于共享表征的处理特异性条件 Wasserstein 重心估计器，并分析其反事实泛化与有限样本性质。 方法上，作者以不同处理条件下的条件 Wasserstein 重心作为估计目标，通过重心分位数函数之差定义条件处理效应对比，再利用观测数据学习共享表征及相应重心。这里的效应对比是分位数函数层面的差异，不应简化为平均处理效应或单个 Wasserstein 距离。 理论上，作者刻画学习表征引入的近似误差，为目标总体的重心风险与对比风险建立反事实泛化及有限样本保证，并讨论有限次重复测量如何影响潜在分布目标的识别与估计。因果识别假设、风险定义、界所依赖的条件及具体训练目标尚未验证。 实验方面，作者报告：在摘要所述全部实验设置中，共享拟合的平均对比风险低于分别拟合；在每个合成数据族中，处理特异性重心风险也更低。作者另报告，受控实验支持理论所预测的重复测量次数、分位数离散化和表征学习的影响。具体数据、样本规模、划分、基线实现、消融及统计信息尚未验证。 本研究的主要对象是分布值结局的观测性因果推断，摘要未提供 EEG 或 BCI 验证，不能将其结果视为神经信号解码效果的证据。