🔥 今日值得一读
因果基础模型单元级聚合竟致区间覆盖率暴跌，全样本仅20%数据集含真值！
Unit-level aggregation breaks coverage in causal foundation models
👨💼 主理人解读 · 为什么值得关注
用因果基础模型做群体平均效应决策前，需先校准区间覆盖，否则组级结论不可信。
📖 AI 总结
该研究考察因果基础模型（CFMs）在组水平平均处理效应推断中的可信区间校准问题。作者发现，这类模型虽在单元级估计上表现良好，但其区间覆盖度在合成数据和标准基准上均明显下降。以ACIC 2016为例，CausalPFN经温度校准的95%区间在组规模超过30个单位（总样本4802）后即低于名义覆盖，全样本平均效应的区间仅在20%的数据集中包含真值。作者将问题归因于模型逐单元输出预测分布、推断时按误差独立假设合并单元方差，并从理论上证明数据生成过程的后验不确定性会使单元误差相关，导致合并方差偏小，且偏差随组规模增大。实验表明该偏差因子可预测覆盖失效的位置与程度；采用对一组单元做联合预测的两种神经过程模型可计入相关性，在合成任务及六个基准上显著改善覆盖。
🔑 关键词速览
| Causal foundation models (CFMs) | 因果基础模型，一类用于因果推断（如治疗效应估计）的预训练大模型。 |
| Coverage | 覆盖率，指可信区间包含真实参数值的频率，是区间校准的评估指标。 |
| Credible intervals | 可信区间，贝叶斯统计中参数的后验概率区间，类似于置信区间。 |
| Neural process models | 神经过程模型，一类元学习模型，能够对函数分布进行建模并进行联合预测。 |
| CausalPFN | 一种具体的因果基础模型，基于先验拟合网络（PFN）方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅