一个能同时预测因果结构与结果的通用模型，支持所有因果推理层次。
A Causal Foundation Model for Structure and Outcome Prediction
- 基于合成数据训练，可从观测数据中同时推断因果图与结果。
- 在真实数据上表现优于现有结构与结果预测方法。
- 适合需要多层级因果推理的研究者或工业应用。
我们提出 TabPFN-CFM，一种可处理多种因果问题的因果基础模型。该模型能够从观测数据中同时预测因果结构与结果，支持佩尔因果层级中的全部三个层次，并在已知图结构时利用其提升预测性能。模型在合成数据上训练，泛化到真实数据集后，在结构与结果预测任务上均优于现有基线方法。
原文摘要 · Abstract (English)
We introduce TabPFN-CFM, a causal foundation model that can handle multiple causal problems. TabPFN-CFM predicts both causal structure and outcomes from observational data, supports queries on all three levels of Pearl's Causal Hierarchy and uses known graph structure when available to improve predictions. TabPFN-CFM is trained on synthetic datasets, and generalises to real datasets, demonstrating improved performance over both structural and outcome prediction baselines.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。