arXiv stat.ML· Zheyu Zhang (University of Michigan), Jiayuan Dong (University of Michigan), Jie Liu (University of Michigan), Xun Huan (University of Michigan)·· 2 小时前AI 评分34
面向因果学习的目标导向序贯贝叶斯实验设计 GO-CBED
Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
AI 导读
研究团队提出因果实验设计框架 GO-CBED，通过直接最大化目标因果量的期望信息增益（EIG），实现针对性的序列干预优化。该方法结合 Transformer 策略网络与 normalizing flow 变分后验优化变分下界，支持通过摊销网络实现实时决策。在合成结构因果模型和半合成基因调控网络中，GO-CBED 在有限实验预算下持续优于现有基线。
来源：arXiv stat.ML · arxiv.org