跳到正文
arXiv · AI· Furkan Danisman, Luke Zhang, Zhijing Jin, Dehan Kong·· 3 天前AI 评分30

因果先验数据拟合网络的事实与反事实联合学习

Joint Learning of Factual and Counterfactual Worlds for Causal Prior-data Fitted Networks

AI 导读

该研究提出因果先验数据拟合网络(PFN)的联合学习方法,旨在解决真实世界中无法同时学习事实与反事实结果的问题。 通过联合学习获取事实与反事实结果的联合分布,结合跨单元最优传输估计平均处理效应密度,是首个同时提供响应、个体处理效应及平均处理效应三种密度的因果 PFN 方法。 在点估计和不确定性量化方面,联合训练模型在多数设置中显著优于基线模型。

来源:arXiv · AI · arxiv.org