因果基础模型来了:预训练一次,上下文学习估算因果效应
burny_tech · x · 2026-09-06
arXiv 新论文《Causal Foundation Models》(Stith、Rahmani、Cresswell)提出把基础模型范式引入因果推断。
- 传统因果推断每个新问题都要定制流程:提出因果机制、选相容的估计器、再训练模型;而机器学习主流已转向「一次大规模预训练、免微调迁移到新任务」的基础模型范式
- 因果基础模型(CFM)是预训练好的神经网络,通过 in-context learning 在全新数据集上估算平均处理效应(ATE)等因果量,无需更新模型参数
- 论文定位为该新兴方向的入门综述,涵盖因果推断与机器学习背景,并附带示例代码和 Jupyter notebook(代码已开源)
所属事件:arXiv 论文提出「因果基础模型」：预训练一次即可估算因果效应(2 条相关)→
「研究」频道最新
- 上述扩散语言模型偏见研究上线可交互 demo,可扫全部采样组合 — Bollegala · 2026-10-23
- Kaggle 联手谷歌量子推出电路编译竞赛，奖金 15 万美元 — JFPuget · 2026-10-23
- 扩散语言模型的偏见排名随采样配置改变,去偏后仍不稳定 — Bollegala · 2026-10-23
- Google 量子 AI 上线可验证量子线路编译 Kaggle 赛题 — JFPuget · 2026-10-23
- 聚合各实验室 tokenizer 发现约 994 个跨代稳定的通用 token — kalomaze · 2026-10-23
- 研究者让 Grok 自己写提示词，追查 X 上 LLM 驱动的阿联酋水军网络 — FlorianGallwitz · 2026-10-23