你给一批用户发促销券，麻烦不只在于“发给谁”。今天收到券，可能改变明天的购买；一个人被促销吸引，也可能挤走相似商品的需求。此时，传统实验里“每个人、每天独立抽签”的做法会漏掉两层影响：处理会沿网络传播，也会沿时间延续。
arXiv 预印本《COSTA》试图从实验分配这一步解决问题。COSTA 全称是 Covariance-Optimized Spatiotemporal Treatment Allocation，即“协方差优化的时空处理分配”。它不只决定每个单元在哪个时段接受处理，还主动设计这些决定之间如何相关。本文的方法、定理和实验结果目前均来自这篇预印本，尚无独立信源交叉验证。
独立抽签为什么不够
普通随机实验通常假定，一个人的处理不会改变别人的结果。网络干扰（network interference）放宽了这个假定：影响可以沿好友、同事、商品相似关系或设备连接传播。时间延续效应（temporal carryover）则表示，一次处理可能继续影响后续时段。
论文关注的目标，是比较两种连贯的世界：所有单元持续接受处理，与所有单元持续不接受处理。问题在于，独立随机分配产生的大多是混合环境。某个单元自己接受处理，邻居却未接受；今天接受，明天又切回对照。数据可能很多，估计值也可能看起来稳定，但它对应的实验环境离目标中的两个“完整世界”仍很远。
COSTA 因而使用联合 Bernoulli 设计。Bernoulli 设计可以理解为每个实验单元都有一个给定的处理概率；“联合”意味着这些抽签不必彼此独立。论文保持各单元相同的边际处理概率，同时用协方差描述两次分配倾向于一起变化，还是相互错开。
偏差原来是一道“切边”账
这项工作的关键一步，是把抽象的估计偏差改写成一张容易理解的账单。
论文采用 Horvitz–Thompson（HT）估计：按照每个单元落入相应处理或暴露状态的概率倒数，对观测结果加权，从而估计总体目标。在共同处理边际概率、非负线性网络—时间暴露模型以及相应噪声条件下，论文证明：持续全处理与持续全对照之差的 HT 偏差，精确等于“分配割”期望权重的负值。
所谓分配割，可以想成把网络图上的相连节点涂成处理与对照两种颜色。若一条有影响关系的边两端颜色不同，这条边就被“切开”；同一单元相邻两个时段的处理不同，也形成一条时间方向的切边。暴露越重要，这条切边的代价越高。于是，正向暴露下的偏差就是所有这些不一致边界的加权成本，而且方向为非正。
这个表示揭示了一个尖锐取舍：让相关节点和相邻时段尽量同进同退，可以减少偏差；但若所有分配都一起移动，实验就接近一次整体上线，只剩“全开”或“全关”，缺少足够的实验对比。论文进一步指出，若要把正权重暴露边上的偏差精确降到零，同一连通分量内的分配必须几乎必然保持一致。若整张暴露图连通，估计量甚至至多只剩两个可能取值，无法得到非退化的连续高斯极限。
时间切换也不是免费的。论文把相邻时段的切换率与滞后偏差写成同一个“分歧量”的不同尺度。换句话说，要求实验频繁切换固然能保留对比，却会为持续全处理与全对照这一目标带来滞后偏差。设计不能同时把两者无条件做到最好。
不直接追方差，先找可优化的上界
HT 估计量在这里是分配变量的二次函数，因此精确方差通常涉及三阶、四阶矩。若直接优化，计算和设计都会迅速变得复杂。
COSTA 换了一个角度。论文先给出基于协方差的保守方差上界，再把它与精确偏差合并为均方误差（MSE）上界。MSE 同时计算系统偏差和随机波动，可以理解为“既别长期偏离目标，也别每次实验都抖得太厉害”。这样，设计者只需围绕同一个二阶对象——分配协方差——做优化。
具体目标不仅惩罚网络与时间暴露的不匹配，还加入软性的区块处理量平衡、单元累计暴露控制和最低切换率约束。网络与滞后的误差分别平方，避免一正一负在账面上相互抵消。论文也明确提醒：方差部分是保守包络，不是精确方差，数值上未必紧。
怎样把设计扩展到大网络
完整协方差矩阵会随“单元数 × 时间块数”迅速膨胀。COSTA 使用 thresholded-Gaussian Kronecker 参数化：先生成带相关性的高斯分数，再按阈值转成处理或对照；Kronecker 结构则把相关性拆成“单元因素”和“时间因素”的乘积。
直观地说，它分别学习哪些单元应当一起变化，以及哪些时段应当一起变化，再把两者组合起来。这样既能映射网络边和时间滞后，又能保持合法的 Bernoulli 边际分布。参数量由完整单元—时间两两关系，降为单元侧与时间侧参数之和；在维度固定时，优化主要查看稀疏网络边、相邻时段和预先抽取的诊断配对。
但共享因子也可能把微弱相关性扩散到许多远端单元。论文为此提出 COSTA-LocalPenalty，对抽样得到的远距离配对相关性做收缩。作者强调，这只是有限样本正则项，不等同于推断有效性的证明。
真正难的是：相关之后还能不能推断
COSTA 主动制造相关分配，而网络与时间干扰又会让结果彼此相关。这是两层依赖：即使处理原本独立，只要两个结果共享附近的处理输入，它们也不会独立；优化协方差后，依赖还会进一步叠加。
论文用潜在高斯块之间的 canonical correlation（典型相关，即两组变量可形成的最大线性相关）衡量相隔较远的 HT 贡献还能共享多少信息，并把它接到 graph-ψ 中心极限定理与 network-HAC 方差理论上。network-HAC 是一种允许网络邻近观测相关的方差估计思路。作者还给出 spectral-floor 与 far-row-mass 条件，作为较原始、可检查的充分条件。满足这些条件时，框架可覆盖 sparse、block、Kronecker 和 locally factored 等结构化协方差序列；这不是对所有此类结构的无条件保证。
为什么值得关注
COSTA 最值得看的地方，不是又提出一种随机化技巧，而是把三个常被分开处理的问题放到同一框架：网络溢出决定哪些单元应协同行动，时间滞后决定哪些时段应保持连贯，统计推断则要求这种协同不能制造失控的远程依赖。
它还给出一个很实用的判断方式：偏差可以看成暴露图上的边界成本，方差可以用协方差层面的包络约束。设计实验因此不再只是“随机还是分组”的二选一，而是决定相关性应该放在哪里、放多少，以及为保留实验对比愿意支付多少暴露不一致。
局限与未知
- 精确偏差结论依赖共同处理边际概率、非负线性暴露模型及相应噪声条件。若真实影响带符号、强非线性或暴露结构设错，单向的切边解释不能直接照搬。
- RetailRocket 与 MovieLens 仅用于半合成实验，不是真实线上部署。论文称默认设置在 linear、nonlinear 和 demand-substitution outcome surfaces 下显著降低 RMSE，并称模型辅助、以设计期望为中心的区间校准良好；但供稿未给出降幅、基线、样本规模、重复次数、覆盖率或误差区间，因此这些效果只能视为作者报告的初步证据。
- 可扩展的 Kronecker 参数化不自动保证局部依赖。正式推断仍需满足 spectral-floor、far-row-mass 等条件，并分别确认中心极限定理、因果目标居中和方差估计是否成立。