Краткое содержание

arXiv:2506.06039v2 Тип объявления: замена Аннотация: Оценка причинно-следственных эффектов критически важна во многих научных дисциплинах. Современные методы решения этой задачи либо требуют интервенционных данных, знания истинной причинно-следственной структуры графа, либо основываются на предположениях типа отсутствия смешивающих факторов, ограничивая таким образом применимость методов в реальных условиях. В области табличного машинного обучения сети, предварительно настроенные на основе априорных данных (Prior-data Fitted Networks — PFN), достигли передовых результатов прогнозирования, будучи предварительно обученными на синтетических данных для решения задач табличного предсказания посредством контекстного обучения. Чтобы проверить возможность переноса данного подхода на более сложную задачу оценки причинно-следственного эффекта, мы предварительно обучили сети PFN на синтетических данных, полученных из широкого спектра причинно-следственных структур, включая вмешательства, чтобы предсказывать результаты вмешательств исходя из наблюдаемых данных. Проведя обширный ряд экспериментов на синтетических кейсах, мы показали, что предложенный подход позволяет точно оценивать причинно-следственные эффекты без знания...