ProximalFM：隐混淆下摊销近端因果推断

研究者 Christophe Muller 等人提交论文，提出 ProximalFM，用先验数据拟合网络（PFN）把隐藏混杂下近端因果推断的贝叶斯算子反演摊销为单次 Transformer 前向传播，以条件平均处理效应（CATE）的贝叶斯后验估计为目标。 该工作针对的问题是：非参数近端推断需要求解病态积分方程，数据需求大、优化不稳定。作者称，鉴于表格基础模型在 backdoor、工具变量和 frontdoor 场景中的近期表现，PFN 适合解决这一瓶颈。报道未给出该方法在真实数据上的效果验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。