ProximalFM

新型AI模型ProximalFM解决了因果推断中的隐藏混淆问题

研究人员开发了ProximalFM，一种用于摊销近因因果推断的新颖方法，该方法解决了在隐藏混淆下识别因果效应的挑战。该方法利用代理变量和一个基于Transformer的基础模型，在合成数据上进行训练，以估计条件平均处理效应（CATE）。与传统方法相比，ProximalFM旨在提供更稳定、数据效率更高的CATE估计，尤其是在未观测到的混淆因素显著的情况下。