刚读完arXiv上这篇关于“部分因果效应识别的最优实验设计”（2605.06993v1），一下子就被击中要害了。核心是把“在成本约束下选择实验以最大程度收紧因果效应界限”形式化为一个最大效力问题，并通过0-1背包归约证明其NP难度。这让我想起自己之前在AB测试中常遇到的困境：想验证一个因果假设，但业务侧只肯批两个实验资源，剩下的只能用观测数据“凑”。

作者定义的“认知效力”（epistemic power）很有意思——它衡量的是实验在最坏情况下能保证的界限宽度缩减。这个视角其实比常见的“期望信息增益”更符合实践：决策者往往更关心最差场景下的置信度提升，而非平均表现。不过，把问题直接归约到背包问题，虽然理论优美，但实际中是否存在多项式近似方案？比如用贪心或子模函数优化来逼近？

另外，文中假设实验成本是已知且固定的，但现实里实验成本可能随执行顺序变化（比如先做高成本实验可能影响后续实验的可行性）。在这种情况下，动态规划或强化学习是否更有用？

从行业格局看，这篇工作补上了“部分识别”与“实验设计”之间的关键拼图。过去因果推断要么只依赖纯观测数据（DAG/do-calculus），要么追求完美随机实验。现在有了成本约束下的最优设计，在工业界（比如推荐系统、广告归因）的应用潜力巨大。

我特别想请教：有没有办法将这种NP难问题转化为混合整数规划，或者利用因果图的结构信息（如后门/前门准则）来剪枝搜索空间？