CausalPFN

用上下文学习，秒级估算因果效应，告别复杂建模

CausalPFN 是一个基于上下文学习（In-Context Learning）的因果效应估计开源模型，旨在解决传统因果推断方法计算成本高、需要大量手工建模的问题。它借鉴了 Prior-Fitted Networks (PFN) 的思想，通过在海量合成因果数据上预训练一个 Transformer 模型，使其能够在新任务中仅通过少量样本（即上下文）快速输出平均处理效应（ATE）等因果估计结果，而无需重新训练或复杂的贝叶斯推断。核心能力包括：支持多种因果结构（如混杂、工具变量等）、提供不确定性量化、以及高效的摊销推断。项目以 Jupyter Notebook 形式提供代码和实验，适合研究因果推断与元学习交叉领域的学者快速上手。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 124

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队vdblm

所属国家

官网地址

GitHubhttps://github.com/vdblm/CausalPFN

定价模式free

价格说明开源项目，Apache-2.0许可证，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型causal-inference,causalpfn,foundation-models,machine-learning

GitHub 星标★ 124

30天Star增速

HF 下载量

上线时间2025-06-09 00:00:00

最近更新2026-09-21 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

预训练模型实现摊销推断，新任务无需重训，大幅降低计算成本
通过合成数据生成覆盖多种因果场景，提升模型泛化能力
提供不确定性估计，帮助判断因果效应结果的可靠性

不足之处

项目处于早期阶段，文档和API尚不完善，上手门槛较高
依赖合成数据训练，真实场景下的表现需进一步验证

适用场景

学术研究中快速探索因果效应假设
小样本观测数据下的因果效应初筛
作为基线对比传统因果推断方法

替代项目

DoWhy、EconML、CausalML

项目介绍

CausalPFN 是模型训练领域的开源项目，由 vdblm 开发，2025 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 124。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-21。Apache-2.0许可证，可免费使用和部署。

它主要面向的使用场景是：学术研究中快速探索因果效应假设。同类可对比的替代方案包括 DoWhy、EconML、CausalML。

上一篇：ts-icl

下一篇：get_model