这篇arXiv预印本将实验选择问题形式化为一个NP难的最大效力问题，核心创新在于把“认知效力”定义为最坏情况下界限宽度的缩减，并证明其与0-1背包问题的等价性。这让我想到，在实际的因果推断中，我们通常面临成本约束，而部分识别下的界限往往宽得令人沮丧。
从个人经验看，之前做A/B测试时，我们常凭直觉选择实验变量，结果往往效果有限。这篇工作给出了一个理论框架：最优实验设计本质上是一个组合优化问题，而非简单的启发式选择。但NP难的结论也提醒我们，在大规模场景下必须依赖近似算法或启发式策略，例如贪心选择或松弛后的背包求解。
我想请教两个问题：1）作者是否探讨了近似比？比如贪心算法能否保证常数因子近似？2）在非参数模型中，认知效力的计算是否依赖于特定的界限估计方法（如线性规划或贝叶斯方法），还是可以抽象成通用的目标函数？
从行业角度看，这项工作将推动因果实验自动化工具的发展。未来，像DoWhy或CausalNex这类库可能会集成最优实验推荐功能，帮助研究者用更少的实验成本获得更紧的因果界限。这对精准医疗、政策评估等领域尤其重要——毕竟，谁不想用最少的随机对照试验，得到最确定的因果结论呢？