Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
面向因果学习目标的序贯贝叶斯实验设计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：摘要围绕指定因果量的信息获取和干预序列设计构建实验学习框架，因此最直接属于因果推断方向。
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…
面向因果学习目标的序贯贝叶斯实验设计
- 研究问题
- 在实验预算有限时，如何围绕指定的因果研究量设计整段干预序列，而不是把恢复完整因果模型作为唯一目标？
- 方法与思路
- 作者优化目标量的期望信息增益，以变分下界处理计算困难，并联合训练 Transformer 策略网络与正规化流变分后验。
- 材料陈述的贡献
- 摘要提出兼顾目标导向与前瞻规划的 GO-CBED，称其在合成因果模型和半合成基因网络任务中优于所比较基准。
- 阅读关注点
- 应核对因果目标与先验的定义、信息增益下界的偏差、序列优化方式，以及比较基准是否获得相同预算与信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给性能数值，合成及半合成任务的优势不能直接推广到真实实验。
原文摘要
We present GO-CBED, a goal-oriented Bayesian framework for sequential causal experimental design. Unlike conventional approaches that select interventions aimed at inferring the full causal model, GO-CBED directly maximizes the expected information gain (EIG) on user-specified causal quantities of interest, enabling more targeted and efficient experimentation. The framework is both non-myopic, optimizing over entire intervention sequences, and goal-oriented, targeting only model aspects relevant to the causal query. To address the intractability of exact EIG computation, we introduce a variational lower bound estimator, optimized jointly through a transformer-based policy network and normalizing flow-based variational posteriors. The resulting policy enables real-time decision-making via an amortized network. We demonstrate that GO-CBED consistently outperforms existing baselines across various causal reasoning and discovery tasks-including synthetic structural causal models and semi-synthetic gene regulatory networks-particularly in settings with limited experimental budgets and complex causal mechanisms. Our results highlight the benefits of aligning experimental design objectives with specific research goals and of forward-looking sequential planning.