Amortisierte kausale Entdeckung mit prior‑fitted Netzwerken

In der Kausalitätsforschung hat sich die Optimierung von Strukturen über differenzierbare, penalized Likelihood‑Methoden etabliert. Doch neueste Untersuchungen zeigen, dass selbst bei großen Stichproben Fehler in der Likelihood‑Schätzung die Entdeckung korrekter Strukturen behindern. Eine neue Studie präsentiert einen Ansatz, der diese Einschränkungen überwindet: die amortisierte kausale Entdeckung mittels Prior‑Fitted Networks (PFNs).

PFNs ermöglichen es, die datenabhängige Likelihood‑Schätzung zu amortisieren und dadurch zuverlässigere Scores für das Strukturlernen zu erzeugen. Durch die Nutzung von vortrainierten Netzwerken, die auf generellen Prior‑Informationen basieren, wird die Genauigkeit der Likelihood‑Schätzung deutlich erhöht.

Experimentelle Ergebnisse auf synthetischen, simulierten und realen Datensätzen demonstrieren signifikante Verbesserungen bei der Wiederherstellung von Kausalstrukturen im Vergleich zu herkömmlichen Baselines. Darüber hinaus liefern die PFNs konsistent genauere Likelihood‑Schätzungen als klassische neuronale Netzwerke, was die Robustheit und Zuverlässigkeit des Ansatzes unterstreicht.