DESCN：用于个体处理效应估计的深度全空间交叉网络

基于摘要分析。本文研究因果推断中的个体处理效应（ITE）估计，提出 Deep Entire Space Cross Networks（DESCN），针对处理组与对照组因处理分配偏差而产生的分布差异，以及两组样本量不平衡，通过端到端多任务学习联合建模处理分配与响应。 核心机制是以交叉网络整合处理倾向、响应和潜在处理效应信息，在整个样本空间中联合学习处理函数与响应函数，并引入中间的伪处理效应预测网络缓解样本不平衡。摘要将其与在各组样本空间分别建模响应函数的常规方式作对照，但未披露具体损失、伪处理效应构造、网络结构及因果识别假设；不能据此认定全空间学习能够消除所有混杂偏差。 作者报告，在一个合成数据集及来自电商优惠券发放业务的大规模生产数据集上，DESCN 提升了 ITE 估计准确性和 uplift 排序表现。摘要未提供具体指标、数值、数据划分或基线配置，因此无法量化增益或判断不同评估协议下的可比性。作者称已公开生产数据集的一个样本及源代码，并将该数据称为据其所知首个大规模公开的带处理偏差因果推断数据集；该首创性表述尚未独立核验，数据与代码可用性亦尚未验证。 本文的主要研究对象是一般因果效应估计，实证场景为合成数据与电商业务，并非 EEG 解码或 BCI。摘要未提供神经信号中的处理定义、结局变量或混杂控制方案，不据此推断 BCI 有效性。实验协议、消融及统计信息尚未验证。