「因果基础模型」来了:预训练一次,上下文学习即可估处理效应
chaumian · x · 2026-09-04
arXiv 论文《Causal Foundation Models》系统介绍因果基础模型(CFM)这一新兴方向。
- 痛点:传统因果推断需为每个新问题定制流程——提出因果机制、选估计器、再训练,成本高。
- 思路:借鉴基础模型范式,CFM 是预训练一次的神经网络,可在全新数据集上通过 in-context learning 估计平均处理效应等因果量,无需更新模型参数。
- 内容:论文提供了因果推断与机器学习的必要背景,讨论 CFM 的现状与前景,并附示例代码与 Jupyter notebook,代码已开源。
「研究」频道最新
- POSTECH 发布 PACE:用协调智能体挖掘用户请求中的隐性冲突 — POSTECH · 2026-09-04
- 机器必有情绪？Sloman 1981 年论文早已给出计算分析 — yeastsplainer · 2026-09-04
- GPT-6 Astra 能跳过思考仍答对,CoT 特权信号遭质疑 — Dan_Jeffries1 · 2026-09-04
- Sinclair 创企 Life Biosciences 将表观遗传重编程疗法推进临床 — Olivier__OG · 2026-09-04
- 新论文攻 TCR 特异性预测:抗原识别配对与结合边界 — victorgreiff · 2026-09-04
- Terminal-Bench Science 数月内近饱和,科学评测亟需动态环境 — shyamalanadkat · 2026-09-04