ACTIVA：基于Transformer变分自编码器的 amortization 因果效应估计
机器学习
2025-08-11 v2 人工智能
摘要
预测在假设性干预下的结果分布是医疗、经济和政策制定中至关重要的任务。然而，现有方法往往需要严格假设，且通常受限于缺乏跨问题实例的 amortization。我们提出了 ACTIVA，这是一种基于Transformer的条件变分自编码器（VAE）架构，用于 amortization 因果推断，该方法可直接从观察数据估计干预分布。ACTIVA 通过学习以观察输入和干预查询为条件的潜在表示，实现了对因果知识进行 amortization，从而实现零样本推断。我们提供了理论分析，表明 ACTIVA 将干预分布预测为观察上等价因果模型的混合分布。在合成和半合成数据集上的经验评估确认了我们 amortization 方法的有效性，并为未来在真实场景中的应用指明了前景。
引用
@article{arxiv.2503.01290,
title = {ACTIVA: Amortized Causal Effect Estimation via Transformer-based Variational Autoencoder},
author = {Andreas Sauter and Saber Salehkaleybar and Aske Plaat and Erman Acar},
journal= {arXiv preprint arXiv:2503.01290},
year = {2025}
}