学习工具变量表示以实现处理效应的部分识别

基于摘要分析。本文研究在无混杂假设不成立时，如何利用观测数据中的工具变量估计条件平均处理效应（CATE）的界限，而非依赖点识别。核心贡献是将任意、可能高维的工具变量映射到离散表示空间，并通过学习该表示获得有效且更紧的效应界限；主要研究对象是因果推断，摘要以孟德尔随机化为潜在应用示例，并非 EEG 或 BCI 解码。 方法采用两步程序，对潜在工具变量空间进行定制的神经网络划分。作者称，该程序可避免数值近似或对抗训练带来的不稳定性，并旨在降低有限样本下的估计方差。作者报告，理论分析支持所得界限的有效性及估计方差的降低，并通过多种设置下的实验展示方法效果。摘要未给出工具变量的具体有效性假设、离散映射的约束、训练目标、界限构造公式及比较基线，因此无法判断结论适用的完整条件；实验协议、消融及统计信息尚未验证。 该方法依赖可用且满足相应识别条件的工具变量，并不是可直接套用于任意神经信号的通用表示学习方法。平台推测（待验证）：若 EEG 干预研究存在可信工具变量，其离散表示与部分识别框架可能有助于分析未观测混杂下的处理效应，但工具变量有效性、跨被试异质性及有限样本稳定性均须另行检验。当前材料未建立具体 EEG 机制对应关系，不据此提出解码性能收益或复现实验方案；已有 EEG 相关工作尚未检索确认。