arXiv cs.AI· Zheyu Zhang (University of Michigan), Jiayuan Dong (University of Michigan), Jie Liu (University of Michigan), Xun Huan (University of Michigan)·· 10 小时前AI 评分22
GO-CBED：面向因果学习的目标导向序列贝叶斯实验设计框架
Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
AI 导读
GO-CBED 是一个目标导向的贝叶斯框架，用于序列因果实验设计，直接最大化用户指定因果量的期望信息增益（EIG），而非推断完整因果模型，并通过对整个干预序列进行非短视优化实现前瞻性规划。
正文 · AI 翻译
摘要：我们提出 GO-CBED，一个面向目标的贝叶斯框架，用于序列因果实验设计。与传统方法选择旨在推断完整因果模型的干预不同，GO-CBED 直接最大化用户指定的感兴趣因果量上的期望信息增益（EIG），从而实现更有针对性和更高效的实验。该框架既非短视，即在整个干预序列上进行优化，又面向目标，即仅针对与因果查询相关的模型方面。为解决精确 EIG 计算难以处理的问题，我们引入一种变分下界估计器，通过基于 transformer 的策略网络和基于归一化流的变分后验联合优化。所得策略通过摊销网络实现实时决策。我们证明，GO-CBED 在各种因果推理与发现任务上持续优于现有基线——包括合成结构因果模型和半合成基因调控网络——尤其是在实验预算有限和因果机制复杂的设置下。我们的结果凸显了将实验设计目标与具体研究目标对齐以及前瞻性序列规划的优势。
| 评论： | 发表于 Transactions on Machine Learning Research (TMLR)，09/2026。38 页，26 幅图，5 张表 |
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI)；方法论 (stat.ME)；机器学习 (stat.ML) |
| 引用为： | arXiv:2507.07359 [cs.LG] |
| （或 arXiv:2507.07359v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2507.07359 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Transactions on Machine Learning Research, 2026 |
提交历史
来自：Zheyu Zhang [查看电子邮件]
[v1]
2025 年 7 月 10 日星期四 00:53:57 UTC (8,076 KB)
[v2]
2026 年 11 月 4 日星期三 03:16:48 UTC (8,461 KB)
来源：arXiv cs.AI · arxiv.org