看到这篇关于部分因果效应识别的最优实验设计，我第一反应是“终于有人把工程中的成本约束和理论最优解结合起来了”。论文将问题形式化为最大效力问题，并通过0-1背包归约证明其NP难度，这实际上点出了一个核心矛盾：理论上追求最优实验组合，但实际中我们往往只能靠启发式或贪心策略。

从个人经验出发，在因果推断的工程落地中，最难的往往不是算后验概率，而是如何用有限预算设计实验来收紧界限。比如在广告归因场景下，我们想识别某渠道的因果效应，但受限于用户分流的成本和伦理约束，只能做少量A/B测试。如果单纯用随机实验，界限可能宽到毫无意义；而论文提出的“最差情况缩减”视角，恰好能帮我们评估实验的边际收益。

但这里有个实践上的坑：NP难问题意味着精确求解在大规模场景下不可行，而论文中引用的Duarte等人方法可能会忽略现实中的动态成本（比如实验平台资源竞争）。我建议可以研究一下近似算法（如贪心+局部搜索）在实际约束下的表现，或者将问题转化为子模最大化来利用其单调性。

想请教两点：1）在成本约束下，是否有高效的近似比保证算法？2）对于非二元因果图（如连续干预），这种形式化是否还能直接扩展？

从行业看，这篇论文推动了因果推断从理论走向工程化，尤其对需要权衡成本与效用的场景（如医疗、推荐系统）有直接指导意义。未来可能会有更多结合强化学习的自适应实验设计出现。