arXiv cs.AI· Wenxin Chen, Kyra Gan, Mingyu Lu, Zilin Jing, Fei Wang, Hoifung Poon, Tristan Naumann, Peniel Argaw·· 11 小时前AI 评分31
PICLE-PFN：首个支持动态治疗策略的纵向因果效应估计基础模型
A Foundation Model for Policy In-Context Longitudinal Causal Effect Estimation
AI 导读
PICLE-PFN 是首个面向纵向因果效应估计的基础模型，支持动态治疗策略，通过上下文中的历史决策演示统一表示目标策略。该模型在纵向结构因果模型生成的合成数据上预训练，面对新数据集与目标策略仅需一次前向传播即可直接预测条件平均潜在结果（CAPOs），无需任务特定训练或超参数调优。
正文 · AI 翻译
摘要：纵向因果效应估计因时变混杂和治疗-混杂因素反馈回路而变得复杂。现有方法通常需要针对具体数据拟合干扰模型，且许多方法针对预先指定的治疗序列或预测时间范围而定制，导致部署时计算耗时。我们提出 *Policy In-Context Longitudinal causal Effect estimation with Prior-data Fitted Networks*（**PICLE-PFN**），这是首个支持*动态*治疗策略的纵向因果效应估计基础模型。PICLE-PFN 通过上下文中的历史-决策演示来表示目标策略，为一大类治疗策略提供统一接口。PICLE-PFN 在从纵向结构因果模型采样的合成数据上预训练，从而将因果效应估计摊销到不同数据集、策略和时间范围上。给定新的观察数据集和目标策略，它可在一次前向传播中直接预测条件平均潜在结果（CAPO），无需任务特定训练或超参数调优。在合成和半合成纵向基准上，与针对每个数据集分别训练和调优的最先进传统估计器相比，PICLE-PFN 以极少的部署运行时间实现了有竞争力的 RMSE 和显著改善的不确定性校准。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32863 [cs.AI] |
| （或 arXiv:2610.32863v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32863 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wenxin Chen [查看电子邮件]
[v1]
2026年10月23日星期五 16:34:49 UTC（2,643 KB）
来源：arXiv cs.AI · arxiv.org