OrthoGen：用于时变治疗的生成式正交学习器

基于摘要分析。该研究面向时变治疗下的条件分布性潜在结局（CDPOs）估计，例如评估不同治疗序列对应的患者个体化风险，而非 EEG 解码或 BCI 控制。作者提出 generative recursive g-computation，并在此基础上构建 OrthoGen，以应对时变混杂及辅助函数估计误差对生成式因果估计的影响。 核心机制是递归传播完整的条件结局分布，而不只传播条件均值；同时直接建模关注变量，而非完整轨迹。作者据此构建基础生成式学习器，再针对其对辅助函数估计误差的敏感性，引入具有 Neyman 正交性与双重稳健性的 OrthoGen。作者报告，在适当条件下，该方法还具有收敛速率层面的双重稳健性（rate double robustness）与准 oracle 效率（quasi-oracle efficiency）。这些理论性质的具体假设、辅助函数定义、目标函数及证明范围尚未验证。 该框架可采用不同生成式骨干，例如 normalizing flows 和 diffusion models；摘要未说明实验实际使用的具体架构及训练配置。作者报告，在合成、半合成与真实世界数据集实验中，OrthoGen 表现有效，但摘要未给出数据集名称、样本规模、划分协议、对照方法或量化指标，因此目前无法判断收益大小及适用边界。实验协议、消融及统计信息尚未验证。 阅读重点是核对时变治疗因果识别所需的假设、分布递归传播的实现，以及正交性和双重稳健性如何对应实际估计误差。复现还需取得全文中的数据构造、估计流程、骨干配置与评价标准。平台推测（待验证）：若神经反馈或闭环干预研究具备明确的序列干预、时变混杂变量和结局定义，该框架可能提供分布性因果评估思路；这不等同于 EEG 表征或解码方法的改进，现有 EEG 相关应用尚未检索确认。