📖 AI 总结

本文提出一种面向因果表格基础模型的预训练方法——波动监督预训练（FSP），旨在解决现有潜在效应监督偏向后验收缩、无法直接编码固定部署人群中重复采样响应的问题。FSP 为每张合成表同时标注平均处理效应及其有效影响函数波动，部署阶段仍保持单次冻结前向传播。理论分析表明，在特定路径上存在端点相变：任何固定参数小于1时标签歧义保持 n 的负一次方量级，而完整波动使高斯标签可观测，并将最优有限分层因果标签预测风险降至 n 的负二次方量级。作者给出一个有限预训练界，综合标签、网络、片段采样与优化误差，其采样缺陷可控制固定机制偏差、均方误差、方差、高斯近似及学生化覆盖率。实验显示，在原始行列骨干网络上，FSP 相较潜在监督将大效应偏移下的 RMSE 降低69.8%，相较已发布的 CausalPFN 检查点降低39.5%，并通过连续协变量、已知效应半合成及两项随机研究评估，区分了采样律保真度与点风险收缩，同时暴露了两个学习头在弱重叠情形下的误差。

🔑 关键词速览