ProximalFM：用PFN摊销近端因果推断
热点事件持续更新
ProximalFM：用PFN摊销近端因果推断
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
研究者 Christophe Muller 等提交论文，提出 ProximalFM，用 prior-data fitted networks（PFNs）把隐藏混杂下近端因果推断的贝叶斯算子反演摊销为单次 Transformer 前向传播，直接建模 CATE 的贝叶斯后验分布。 该工作针对的问题是：近端因果推断需要求解病态积分方程，且对数据量和超参数敏感。作者称 PFNs 特别适合解决这一瓶颈。论文未给出实验效果数据。
AI 根据报道生成 · 8 小时前更新
最新进展10月7日 12:00
ProximalFM：隐藏混杂下的摊销近端因果推断报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv stat.MLProximalFM：隐藏混杂下的摊销近端因果推断
针对隐藏混杂下近端因果推断需求解病态积分方程、对数据量和超参数敏感的问题，研究者提出 ProximalFM，用 prior-data fitted networks（PFNs）将贝叶斯算子反演摊销为单次 Transformer 前向传播，直接建模 CATE 的贝叶斯后验分布。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。