Zhiheng Zhang

该工作提出波动监督预训练（FSP）：用平均处理效应加上其有效影响函数波动来标注每张合成表，部署时仍是一次冻结前向传播；作者证明在路径 T_λ,P=θ(P)+λP_nψ_P 上存在端点转变——任何固定 λ<1 都保留量级为 (1-λ)²/n 的标签模糊性，而完整波动使高斯标签可观测并把最优有限分层因果标签预测风险降到 n^-2 量级；实验显示在训练上下文长度下、24个非线性连续协变量单元中，连续行FSP把检查点平均宏RMSE较S-learner降低7.0%并赢下全部12个弱重叠单元，验证集选出的Summary FSP在单线程热启动基准中每表部署快11.6倍，效应漂移下匹配的Raw FSP较潜效应监督把平均

该工作提出波动监督预训练（FSP）：用平均处理效应加上其有效影响函数波动来标注每张合成表，部署时仍是一次冻结前向传播；作者证明在路径 T_λ,P=θ(P)+λP_nψ_P 上存在端点转变——任何固定 λ<1 都保留量级为 (1-λ)²/n 的标签模糊性，而完整波动使高斯标签可观测并把最优有限分层因果标签预测风险降到 n^-2 量级；实验显示在训练上下文长度下、24个非线性连续协变量单元中，连续行FSP把检查点平均宏RMSE较S-learner降低7.0%并赢下全部12个弱重叠单元，验证集选出的Summary FSP在单线程热启动基准中每表部署快11.6倍，效应漂移下匹配的Raw FSP较潜效应监督把平均