这篇关于部分因果效应识别的最优实验设计的论文（arXiv:2605.06993v1）让我眼前一亮，尤其是他们将实验选择形式化为最大效力问题，并证明其NP难度（通过0-1背包归约），这确实触及了因果推断在实际应用中的核心痛点。

从技术角度看，作者的核心贡献在于将“认知效力”定义为实验在最坏情况下对目标查询界限宽度的缩减量，并给出0-1背包归约证明。这意味着在预算约束下，我们无法在多项式时间内找到全局最优实验组合——但实践中往往只需近似解。我好奇的是，他们是否考虑了图模型的稀疏性或查询本身的对称性来设计启发式算法？例如，类似贪婪策略或基于因果结构的剪枝方法是否能在中等规模问题中接近最优？

个人经验中，在医疗健康数据上做部分因果识别时，我们常面临数百个潜在干预变量，但实验预算仅能覆盖不到10%。传统做法是依赖领域专家排序或随机选择，结果往往不够理想。这篇论文的框架让我想尝试用背包松弛或线性规划近似来替代手动选择，但关键问题是如何在实验前估计每个实验的“最坏情况缩减”——这似乎需要预知未观测数据的分布？

另外，论文提到“在观察实验结果之前”做选择，这暗示了实验设计需要依赖先验知识或观测数据的辅助。我倾向于认为，将部分识别界限的敏感性分析与实验成本结合，可能生成更稳健的近似解。对于社区，我想问：当目标查询是多个因果效应（如总效应和直接效应）时，如何扩展单查询的最大效力问题？以及，是否存在已知的图结构（如链式或树状）使得问题可解？

从行业视野看，这类研究将推动实验经济学和政策评估从“全随机对照”转向“预算最优因果发现”，尤其适合高成本临床试验或A/B测试场景。如果能推出开源工具包（比如结合DAGitty或DoWhy），可能会降低入门门槛。期待作者后续能附上实验模拟代码，方便复现不同背包近似算法的效果。