Estimating Interventional Distributions with Uncertain Causal Graphs through Meta-Learning
通过元学习估计因果图不确定时的干预分布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：摘要明确以因果图、干预分布与贝叶斯结构平均为研究对象，元学习服务于因果推断计算，而非普通结果预测。
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…
关注这篇论文的作者
通过元学习估计因果图不确定时的干预分布
- 研究问题
- 观察数据与多个因果图相容时，如何估计包含结构不确定性的干预后分布，并降低贝叶斯图与机制模型平均的计算成本？
- 方法与思路
- 作者提出 MACE-TNP 端到端模型，通过元学习训练其预测贝叶斯模型平均后的干预后验分布，以替代昂贵的结构和机制积分计算。
- 材料陈述的贡献
- 摘要称该模型在经验比较中优于强贝叶斯基准，并将元学习作为近似复杂贝叶斯因果推断的灵活、可扩展计算方案。
- 阅读关注点
- 应核对训练任务的图和机制先验、目标后验如何生成，以及新环境下的分布泛化、后验校准与模型平均近似误差如何评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明训练范围、识别限制和校准结果，近似后验不代表消除结构不确定性。
原文摘要
In scientific domains -- from biology to the social sciences -- many questions boil down to \textit{What effect will we observe if we intervene on a particular variable?} If the causal relationships (e.g.~a causal graph) are known, it is possible to estimate the intervention distributions. In the absence of this domain knowledge, the causal structure must be discovered from the available observational data. However, observational data are often compatible with multiple causal graphs, making methods that commit to a single structure prone to overconfidence. A principled way to manage this structural uncertainty is via Bayesian inference, which averages over a posterior distribution on possible causal structures and functional mechanisms. Unfortunately, the number of causal structures grows super-exponentially with the number of nodes in the graph, making computations intractable. We propose to circumvent these challenges by using meta-learning to create an end-to-end model: the Model-Averaged Causal Estimation Transformer Neural Process (MACE-TNP). The model is trained to predict the Bayesian model-averaged interventional posterior distribution, and its end-to-end nature bypasses the need for expensive calculations. Empirically, we demonstrate that MACE-TNP outperforms strong Bayesian baselines. Our work establishes meta-learning as a flexible and scalable paradigm for approximating complex Bayesian causal inference, that can be scaled to increasingly challenging settings in the future.