PulseAugur
中
实时 00:57:58
English(EN) Use What You Know: Causal Foundation Models with Partial Graphs

新的因果推断方法利用领域知识和新颖的图结构

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员正在开发新的因果推断方法，超越传统的定制估计器。一种方法，因果基础模型（CFM），旨在统一因果发现和推断。最近的一项进展允许CFM通过条件化模型的注意力机制并使用图卷积编码器来整合领域知识，例如部分或完整的因果图。这种整合使CFM能够匹配专用模型的性能。另外，引入了一个名为“Napkin”图的新框架用于因果推断，该框架可以通过g公式的非标准比率来识别平均处理效应。该框架处理未测量的混淆，并包含M偏差、工具变量以及后门/前门设置的特征，提供了半参数推断理论，并通过配套的R包实现展示了效率提升。 AI

影响 因果推断的进步可能导致更强大、更可解释的AI系统，特别是在需要理解因果关系的领域。

排序理由 两篇arXiv论文介绍了新的因果推断方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的因果推断方法利用领域知识和新颖的图结构

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Arik Reuter, Anish Dhir, Cristiana Diaconu, Jake Robertson, Ole Ossen, Frank Hutter, Adrian Weller, Mark van der Wilk, Bernhard Sch\"olkopf ·

    利用已知信息：具有部分图谱的因果基础模型

    arXiv:2602.14972v2 Announce Type: replace Abstract: Estimating causal quantities traditionally relies on bespoke estimators tailored to specific assumptions. Recently proposed Causal Foundation Models (CFMs) promise a more unified approach by amortising causal discovery and infer…

  2. arXiv stat.ML TIER_1 English(EN) · Anna Guo, Lin Liu, David Benkeser, Razieh Nabi ·

    Napkin Graph 的因果推断

    arXiv:2512.19861v2 Announce Type: replace-cross Abstract: Unmeasured confounding can render identification strategies based on adjustment functionals invalid. We study the "Napkin" graph, a causal structure that encapsulates features of M-bias, instrumental variables, and classic…

相关实体

相关话题