条件因果老虎机的最小搜索空间

基于摘要分析。本文研究条件因果老虎机中的干预搜索问题，核心贡献是用因果图刻画保证包含最优条件干预的最小节点集合，并提出识别该集合的高效算法。 原问题以因果图模型和目标变量定义老虎机：臂对应模型上的干预，奖励是目标变量的采样值。不同于重点研究硬干预的既有设定，条件干预允许根据其他变量的已观测取值选择被干预变量的值，从而表达依赖情境的决策。本文压缩的是候选干预节点的搜索空间；摘要不足以确认它是否同时约简了每个节点上的条件策略空间。 作者报告，识别最小节点集合的算法时间复杂度为 O(|V| + |E|)，其中 |V| 与 |E| 分别为图的节点数与边数，并证明了图论刻画及算法的正确性。作者还报告，将该算法集成到标准多臂老虎机算法后，能够显著缩小搜索空间并加快收敛。具体因果图设定、可观测性与干预约束、基线、奖励指标及加速幅度，以及实验协议、消融及统计信息尚未验证；线性复杂度也不等于整个在线决策过程具有线性成本。 平台推测（待验证）：若自适应 BCI 反馈任务具有可信的因果图、可观测情境和明确奖励，该方法可能用于筛选值得干预的反馈变量，而非直接解决 EEG 解码。可复用部分是图上的候选节点筛选，需改造部分是任务因果建模、反馈动作约束与奖励定义。低信噪比、跨被试差异及小样本可能使图结构或奖励估计不可靠。一个可检验的小实验是在预先明确因果图的合成反馈环境中，对比同一老虎机算法使用与不使用剪枝时的累计奖励和收敛速度，并检验图结构误设时的退化情况；这只能验证机制，不能证明 BCI 有效性。已有 EEG 相关工作尚未检索确认。