Foundation Models for Partial Causal Identification
本文提出了一种因果基础模型框架，该框架定义了结构因果模型的规范先验，旨在将存在未观测混杂因素时对部分可识别因果效应进行界定的问题，转化为学习从数据和假设到因果查询的函数映射分布的问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在数据科学领域，研究人员经常面临着一种令人沮丧的差距：即他们所能观察到的与他们想要了解的知识之间的鸿沟。想象一位医生，他拥有成千上万名患者的记录，记载了他们的症状、治疗方案和结果，但他从未进行过那种随机分配治疗方案的受控实验。这位医生想知道：如果某位特定患者当时接受了另一种药物，他是否会康复？这是一个关于因果关系的问题，但数据仅展示了已经发生的情况，而非在不同情形下会发生的情况。通常，为了能够确定地回答此类问题，科学家需要了解支配这些数据的确切隐藏规则。如果不知道这些规则，答案往往是一系列可能性的范围，而非一个单一的数值。这种不确定性被称为部分识别（partial identification），长期以来，它迫使研究人员为每一个新问题构建定制化的、一次性的解决方案，这种缓慢且碎片化的过程使得许多重要问题悬而未决。
现在，一组研究人员开发出一种新方法，可以作为解决这些棘手问题的通用求解器。该方法不再为每个新数据集设计独特的数学公式，而是训练了一个强大的单一计算机模型，来学习所有可能的因果场景的图景。该模型建立在“结构因果模型”（structural causal models）的基础之上，这类模型本质上是变量如何相互影响的详细地图，并利用海量的合成示例进行了训练。研究人员创建了一种特定的数学起点或先验（prior），确保只要变量是离散的（如类别或计数），模型就会考虑数据生成的每一种可能的生成方式。通过在数百万个此类合成场景中进行训练，该模型学会了观察现实世界的数据集，并立即输出一个概率分布，从而捕捉到完整的合理答案范围。
其结果是一个系统，它可以接收一个观测数据集和一个关于假设干预的具体问题（例如，“如果我们改变这个变量会发生什么”），并返回一个关于答案的紧凑且具有数学保证的边界。在实验中，研究人员在一个简单的双变量系统中测试了该系统，在这些系统中，正确答案已通过传统的、缓慢的数学方法得出。新模型产生的结果与旧方法同样准确，但计算时间仅为后者的极小部分。当传统方法计算单个答案需要超过一千毫秒时，新模型在数据量增长的情况下，仍能在不到十毫秒内交付结果。更重要的是，模型的输出并非仅仅是一个猜测；随着数据量的增加，它提供的答案范围逐渐缩小，并精确地收敛于已知事实的真实数学极限。
这项工作代表了我们在处理因果推理中的不确定性方面的一次重大转变。此前，如果研究人员想要了解一个存在隐藏混杂因素（hidden confounders）的复杂系统中的因果效应边界，他们必须从头开始推导一个新的优化问题，这项任务需要深厚的专业知识且容易出错。新方法用一种习得的能力取代了这种定制化的推导。研究人员证明，通过在涵盖所有有效因果结构空间的“规范化”（canonical）集合上进行训练，模型学会了识别定义知识极限的模式。面对新数据时，它不仅仅是预测一个单一的值；它还描绘出了与数据及因果律相一致的整个数值集合。这意味着对于任何观测数据集，模型都能提供一个有效的、紧凑的区间，其中包含真实答案，从而有效地将一个困难的、定制化的数学谜题转变为一个快速的标准预测任务。
这种方法的意义不仅在于速度。通过提供一个适用于不同类型因果查询和数据集的通用工具，研究人员创建了一个用于部分识别的基础模型。这意味着同一个底层系统可以应用于经济学、流行病学或人工智能领域的各种问题，而无需针对每个特定领域进行重新工程设计。该模型学习的是可能答案的分布而非仅仅是单点估计，这尊重了现实世界固有的不确定性。它承认，有时仅凭数据无法告诉我们究竟会发生什么，但它可以告诉我们究竟什么是可能的。通过这种方式，它提供了一种稳健且有原则的方法来应对未观测因素带来的迷雾，为决策者提供了一个清晰的、在数学上可靠的边界，使真相必将存在于其中。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。