Skip to content
Hot eventLive

ProximalFM：隐藏混杂下的摊销近端因果推断

1 reports1 sources3 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 3 hr ago

LatestOct 7
研究者提出ProximalFM，用PFNs在隐藏混杂下摊销CATE贝叶斯后验推断。

Timeline

Follow the coverage from different angles.

Oct 7, 2026
  1. 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。

Heat trend

Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –

02.557.510Oct7Oct7Oct7Oct7

The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.