ESCM：用于点击后转化率估计的全空间反事实多任务模型

基于摘要分析。本文研究推荐系统中的点击后转化率（CVR）估计，针对样本选择偏差与数据稀疏问题，在 Entire Space Multi-task Model（ESMM）中引入反事实风险最小化器作为正则项，提出 ESCM²。研究对象是用户曝光、点击与转化行为，并非 EEG/BCI 或状态空间模型。 ESMM 类方法利用“曝光→点击→转化”的顺序结构缓解数据稀疏。作者报告，其理论分析揭示两项问题：固有估计偏差（IEB），即 ESMM 的 CVR 估计高于真实值；以及点击且转化率（CTCVR）估计中的潜在独立性偏好（PIP），即模型可能忽略点击到转化的因果关系。ESCM² 旨在通过反事实风险正则化同时缓解这两类问题。摘要未给出正则项的具体形式、识别假设、权重估计方式或优化细节，尚不能据此判断其无偏性成立的条件。 作者报告，在离线数据集和在线环境中，ESCM² 能缓解 IEB 与 PIP，并优于基线模型；但摘要未提供数据集名称、划分协议、具体基线、指标或效果数值。实验协议、消融及统计信息尚未验证，复现需进一步核对正文中的目标定义、反事实风险构造与评估设置。 平台推测（待验证）：若 EEG 系统存在由交互策略决定哪些样本获得反馈标签的选择性观测问题，其偏差分析思路可能具有参考价值，但不能直接套用曝光—点击—转化结构。可复用的是选择机制与目标风险的联合建模思路，需改造的是观测事件、反馈标签和选择概率定义；低信噪比、小样本及跨被试差异可能使选择机制估计不稳定。一个可检验的小实验是在完整标注的 EEG 数据上人为施加已知选择机制，比较常规训练与反事实正则化后的风险估计偏差。该假设不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。