知识卡片：面向不规则历史纵向因果推断的双稳健函数表示学习

一句话结论

本文提出 Doubly Robust Functional Representation Learning (DR-FRL)，一种将不规则观测历史转化为面向目标估计量的状态表示的交叉拟合工作流，使纵向因果推断中的双重稳健估计在明确理论条件下具有渐近线性，并在模拟和 VitalDB 数据审计中展示可行性。

事件概述或研究问题

纵向因果研究中的历史数据常表现为不规则的函数片段，例如实验室检验值、生理信号、传感器流和影像衍生摘要，其测量时间点不均匀且测量过程本身可能具有信息性。标准双重稳健估计量通常需要将数据压缩为标量摘要；序列模型则只优化预测损失，未必能稳定有效影响函数。本文针对这一缺口提出 DR-FRL。

方法/产品要点

DR-FRL 工作流：使用功能编码器和时间编码器，将不规则的点云式测量和既往历史映射为状态表示。
Nuisance 头：分别估计结局、治疗和删失函数。
EIF 导向诊断：通过 EIF 定向验证、校准、重叠、尾部分布和消融诊断，检查所选状态是否支持估计方程。
理论性质：若所选状态保留了有效影响函数所需的 nuisance 信息，则表示误差进入与普通 nuisance 误差相同的二阶乘积余项；均数估计量在显式速率、重叠、校准和稳定性条件下渐近线性。
Catoni 聚合：被视为有界影响的点估计方法单独处理，不作为 Wald 型推断的替代。

主要结果或产业意义

模拟实验显示，在高维功能混杂、信息性测量、弱支持或重尾伪结局等场景下，DR-FRL 相比基线有增益。
VitalDB 数据审计显示，DR-FRL 能够使用不规则的实验室检查点云进行估计，并得到一个有用的阴性发现：对于该 ICU 处置终点，标量实验室摘要已经携带大量与终点相关的信息。

为什么重要

填补了双重稳健估计与函数型/深度表示学习之间的方法论空白，避免强制压缩为标量摘要或单纯优化预测损失。
提供了一套诊断工具来评估“历史上提取的状态是否真的能支撑因果估计方程”。
为高维、不规则、含信息性观测时间的纵向数据提供了可扩展的因果推断路径。
该工作与已有相关卡片无直接重叠；其增量在于将 EIF 目标与函数表示学习结合，而非强化学习或序列分类问题。

局限与不确定性

具体模拟数值、效应量、基线对比和代码尚未在摘要中给出，需查阅全文确认（待核实）。
VitalDB 的阴性发现仅针对单个 ICU 处置终点，不代表所有纵向因果任务。
理论结果依赖显式速率、重叠、校准和稳定性条件，实践中的满足程度需进一步验证（待核实）。

可用于图书/PPT/简报的角度

案例切入：从“不规则时间序列里的因果问题”讲起，如 ICU 数据中测量次数和测量时间本身可能携带信息。
方法论演进：从标量摘要的双重稳健估计到序列预测损失，再到“面向 EIF 的表示学习”。
阴性发现的价值：说明深度表示并不总是优于简单标量摘要，诊断工具可以帮助研究者判断何时值得使用复杂模型。

原始材料

英文标题：Doubly Robust Functional Representation Learning for Longitudinal Causal Inference with Irregular Histories
英文关键词：Doubly Robust Estimation; Functional Representation Learning; Longitudinal Causal Inference; Irregular Histories; Efficient Influence Function
来源：arXiv:2607.28567v1
URL：https://arxiv.org/abs/2607.28567v1
PDF：https://arxiv.org/pdf/2607.28567v1
原始摘要：如上引用的 arXiv 摘要文本。