论文页面 - 因果基础模型

来源：https://huggingface.co/papers/2609.03003

摘要

因果基础模型应用预训练神经网络，通过上下文学习在新数据集上估计因果效应，无需微调。

因果推断（https://huggingface.co/papers?q=Causal%20inference）是从数据中估计处理或干预效果的实践。传统方法需要为每个新问题定制专属流程：首先提出因果机制，选择兼容的估计器，最后进行训练。与此同时，跨不同场景和模态，机器学习已大量转向基础模型范式：一次性大规模预训练网络，无需微调即可应用于新任务。因果基础模型（https://huggingface.co/papers?q=Causal%20foundation%20models）（CFMs）将这一范式引入因果推断（https://huggingface.co/papers?q=causal%20inference）。CFMs是预训练神经网络（https://huggingface.co/papers?q=pretrained%20neural%20networks），能利用上下文学习（https://huggingface.co/papers?q=in-context%20learning）在全新数据集上估计因果量（如平均处理效应（https://huggingface.co/papers?q=average%20treatment%20effect）），无需模型更新。本文为这一新兴领域提供实用入门介绍。在讨论CFMs之前，我们总结了因果推断（https://huggingface.co/papers?q=Causal%20inference）和机器学习的必要背景知识。全文包含示例代码和Jupyter笔记本。

查看arXiv页面（https://arxiv.org/abs/2609.03003）查看PDF（https://arxiv.org/pdf/2609.03003）GitHub仓库（https://github.com/layer6ai-labs/cfms）添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.03003）

在您的代理中获取此论文：

hf papers read 2609\.03003

没有最新CLI？请运行：curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

暂无模型链接此论文

在模型README.md中引用arxiv.org/abs/2609.03003即可从本页面链接。

引用此论文的数据集0

暂无数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2609.03003即可从本页面链接。

引用此论文的Space0

暂无Space链接此论文

在Space README.md中引用arxiv.org/abs/2609.03003即可从本页面链接。

包含此论文的收藏0

暂无收藏包含此论文

将此论文添加至收藏（https://huggingface.co/new-collection）即可从本页面链接。