CIDER-FM：面向多样实验机制的因果推断基础模型

arXiv 收录论文 CIDER-FM，研究用因果基础模型融合有限观测数据与代理干预数据，以预测目标条件干预分布。论文先形式化代理实验的概念收益，再提出使用干预感知表示和三层轴注意力在变量、样本与实验机制间交换信息的模型，并在多类合成图与机制、Causal Chambers 模拟及真实数据上对比多种基线。

以往因果基础模型主要依赖合成结构因果模型先验或纯观测数据，当目标变量的干预数据缺失时推断受限。该工作把代理干预数据纳入同一模型，并报告其条件干预分布预测优于仅用观测数据，为观测与实验数据混合场景提供了可对比的新基线。

核心机制是干预感知表示与三层轴注意力：注意力分别沿变量、样本和实验机制三个维度交换信息，使模型能利用不同实验制度下的代理干预信号，弥补目标干预数据缺失。论文先分析代理实验在概念上带来的收益，再以该结构实现摊销式因果推断。

对需要评估干预效果的产品与研发流程，若可获得的真实干预数据有限，可考虑用代理干预数据补充观测数据，并在建模时显式区分实验机制；评估时应按论文做法与仅观测数据基线对比，确认预测增益后再进入决策环节。

• 在 A/B 实验资源不足的业务中，搭建代理干预数据加观测数据的混合评估流程，并以条件干预分布预测作为指标。
• 在因果推断工具中引入变量、样本、机制三维注意力结构，支持多来源实验数据的统一建模。
• 在 Causal Chambers 类模拟与真实数据上复现论文基线，形成内部模型选型对比报告。

• CIDER-FM 的代码与权重是否公开，复现成本如何？
• 在非合成图与机制家族的真实业务数据上，相对仅观测数据的提升幅度有多大？
• 代理干预数据与目标干预分布偏差较大时，模型稳健性是否仍然成立？
• 三层轴注意力带来的计算与显存开销，是否适合中小团队部署？