Amortized Causal Discovery with Prior-Fitted Networks
利用先验拟合网络实现摊销式因果发现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确讨论因果结构发现及结构恢复方法，但未直接研究经济学处理效应。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用先验拟合网络实现摊销式因果发现
- 研究问题
- 当有限样本中的似然估计误差妨碍因果结构恢复时，能否通过先验拟合网络提高结构学习所使用评分的可靠性？
- 方法与思路
- 作者使用先验拟合网络摊销依赖数据的似然估计，为因果结构搜索提供评分，并在合成、模拟与真实数据上比较方法表现。
- 材料陈述的贡献
- 摘要称该方法相对标准基准改善结构恢复，并直接比较似然估计精度，显示其优于常规神经网络方法。
- 阅读关注点
- 应核对训练先验与测试机制的匹配、因果结构可识别的条件、似然评分构造，以及结构恢复与似然精度的评价指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明识别假设、训练分布或改善数值，结构恢复优势不能无条件外推。
原文摘要
In recent years, differentiable penalized likelihood methods have gained popularity, optimizing the causal structure by maximizing its likelihood with respect to the data. However, recent research has shown that errors in likelihood estimation, even on relatively large sample sizes, disallow the discovery of proper structures. We propose a new approach to amortized causal discovery that addresses the limitations of likelihood estimator accuracy. Our method leverages Prior-Fitted Networks (PFNs) to amortize data-dependent likelihood estimation, yielding more reliable scores for structure learning. Experiments on synthetic, simulated, and real-world datasets show significant gains in structure recovery compared to standard baselines. Furthermore, we demonstrate directly that PFNs provide more accurate likelihood estimates than conventional neural network-based approaches.