Conformal Policy Selection：何时部署用于定向干预的 AI 决策

基于摘要分析。本文研究高风险场景中 AI 策略应向哪些个体部署，而非仅评估策略的群体平均收益。作者提出 Conformal Policy Selection，将定向部署表述为多重检验：对每个候选个体检验其在目标 AI 策略下的结局是否超过用户指定阈值，并控制入选集合中的错误发现率（FDR）。这一目标不同于直接保证每位入选个体均获益，也不等同于相对于原策略的个体治疗效应保证。 方法结合加权 conformal p-values 与两步选择及剪枝程序，前者用于处理从行为策略到目标策略的分布偏移。作者报告证明了有限样本 FDR 控制，并建立渐近双重稳健保证：结局模型或倾向模型任一正确设定时，FDR 仍可得到控制。两类保证的具体假设、权重构造、数据使用方式及适用范围，需查阅全文核对，不能将渐近稳健性直接理解为任意有限样本下均有效。 作者报告，合成实验在四种模型误设情形下检验了相关保证；另以真实电子健康记录协变量构建半合成研究，展示该框架如何作为部署安全门槛，限制全局训练策略在泛化失效的高风险亚群中产生的有害治疗选择。摘要未提供具体样本量、阈值、FDR 水平、效用指标或对照数值，实验协议、消融及统计信息尚未验证；半合成结果不等于真实临床干预验证。 平台推测（待验证）：其与 BCI 的潜在联系是干预策略部署前的风险筛选，而非 EEG 解码算法本身。若 BCI 场景具有行为策略记录、可识别的结局及足够的动作覆盖，可考虑复用多重检验框架，但须改造结局模型与倾向模型以适应跨被试差异及反馈延迟。小数据、弱动作覆盖和非平稳性可能使估计失稳。一个可检验的小实验是在具有已知反事实结局的 BCI 策略仿真中分别引入结局模型和倾向模型误设，检查入选集合的经验 FDR 与部署覆盖率。已有 EEG 相关工作尚未检索确认。