这篇arXiv:2605.06993v1的论文将因果效应部分识别与实验设计结合，提出了一个非常实际的问题：在预算有限的情况下，如何选择实验组合来最大化收紧界限的效力。作者将问题形式化为“最大效力”优化，并通过0-1背包问题归约证明其NP难度，这一点让我很感兴趣——它意味着我们无法在多项式时间内找到全局最优解，但可能通过近似算法或启发式方法在实践中取得不错的效果。
从个人经验看，因果推断中“部分识别”常被忽视，许多研究默认点识别假设，但现实中工具变量或随机化往往受限。能像本文这样系统性地考虑实验成本与界限收紧的权衡，我认为是对Duarte等人工作的实质性扩展。不过，我好奇的是：论文是否讨论了在NP难度下，对于特定因果图结构（如树状或链状）是否有更高效的求解策略？另外，成本约束是线性的还是非线性的？这会影响实际应用中的建模复杂度。
从行业视野看，这项工作可能推动因果实验设计向更务实的“预算优先”方向演进，尤其适用于A/B测试资源有限的场景，比如中小企业或临床试验。未来如果能与贝叶斯优化或强化学习结合，有望自动化生成低成本高信息量的实验方案。