想估算一项政策有没有效果，常见办法是找多个未受影响的地区，按比例拼成一个“合成替身”。问题是，如果候选地区很多、走势又近乎一样，多套配方都能很好复刻政策前的数据；数据稍有变化，权重就可能大幅改写，连“如果没有政策会怎样”这个反事实也跟着摇摆。
Yanlin Zhang、Sungyong Chung 和 Alireza Talebpour 提出的 Graph-SC，先按干预前的走势把相似供体连成一张图，再用图正则化——对相似供体获得悬殊权重施加惩罚——从多套近似解中挑出更连贯的一套。论文最值得注意的判断是：它并非通用的精度增强器，而是一种稳定选择机制。作者给出的理论结果也划出代价：图约束可降低估计方差，但若“哪些供体相似”这张图建错，就会引入不可避免的偏差。作者称，该方法在受控模拟、California Proposition 99 基准和 Waymo Open Motion Dataset 的观察性分析中提高了权重稳定性，并保持有竞争力的干预前后准确度。