연속적 처치 (Continuous Treatments)를 활용한 인과 파운데이션 모델 (Causal Foundation Models)

요약

본 논문은 연속적 처치(continuous treatment) 설정을 위한 최초의 인과 파운데이션 모델(causal foundation model)을 제시합니다. 이 모델은 추가적인 학습이나 미세 조정 없이도 다양한 작업 전반에서 인과 효과를 예측하는 능력을 메타 학습하며, 풍부한 인과 학습 코퍼스 생성을 위해 새로운 사전 확률을 설계했습니다. 특히 관측 데이터만을 사용하여 개별 처치-반응 곡선을 재구성하는 데 있어 최첨단 성능을 달성합니다.

핵심 포인트

• 연속적 처치를 다루는 최초의 인과 파운데이션 모델 제시
• 추가 학습 없이 다양한 작업에서 인과 효과 예측 능력 메타 학습
• 새로운 사전 확률 설계를 통해 풍부한 인과 학습 코퍼스 생성
• Transformer와 in-context learning을 활용하여 개별 처치-반응 곡선 재구성 및 베이지안 사후 추론 비용 분할 상환