热点事件持续更新

ProximalFM：隐藏混杂下的摊销近端因果推断

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

2026年10月7日，研究者在 arXiv（Statistics Machine Learning）发布 ProximalFM 方法，用于在隐藏混杂条件下估计条件平均处理效应（CATE）的贝叶斯后验分布。该模型采用先验-数据拟合网络（PFNs），在合规结构因果模型的合成数据上训练，借助 oracle 反事实，把贝叶斯算子求逆摊销为单次 Transformer 前向传播；同时采用 Monte Carlo 估计 oracle CATE，以处理额外随机误差。目前公开信息仅涉及该方法的设计与训练设定，未见后续实验评估或同行评议进展。

AI 根据报道生成 · 2 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

10月7日

12:00
arXiv · Statistics Machine Learning
ProximalFM：隐藏混杂下的摊销近端因果推断
研究者提出 ProximalFM，用先验-数据拟合网络（PFNs）在隐藏混杂条件下估计条件平均处理效应（CATE）的贝叶斯后验分布。模型在合规结构因果模型的合成数据上训练，借助 oracle 反事实把贝叶斯算子求逆摊销为单次 Transformer 前向传播，并采用 Monte Carlo 估计 oracle CATE 以处理额外随机误差。

本事件热度走势

当前热度 9·可比范围峰值 10（10月7日 12:00）·近 24 小时可比范围变化 –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。