这篇工作将因果实验设计问题归结为NP难的0-1背包问题，理论上有趣，但实践中让我想起自己跑过的一次因果调优实验——预算有限，选实验组合像是猜谜。作者定义的“认知效力”本质是worst-case bound收缩率，这很保守：它保证最坏情况下的收益，但可能忽略真实分布下的平均收益。个人经验是，在广告归因项目中，平均效果往往比最坏情况更重要，且NP难的求解对实时选型不友好。
我想问两个问题：第一，如果引入启发式算法（如贪心或贝叶斯优化），在真实数据上效果是否会接近最优？第二，Duarte等人的工作是否提供了可操作的近似比？从行业视野看，这种NP难框架可能更适合离线规划（如医疗实验设计），而非在线决策系统。对比近期用强化学习做实验选择的方案，这篇的理论优雅但落地门槛更高。大家在实际项目中会优先选精度还是速度？