Modelli fondazionali causali

Abstract degli autori

L’inferenza causale consiste nello stimare, a partire dai dati, l’effetto di un trattamento o di un intervento. Tradizionalmente richiede un processo su misura per ogni nuovo problema: prima si propone un meccanismo causale, poi si sceglie uno stimatore compatibile e infine lo si addestra. Nel frattempo, in contesti e modalità diversi, gran parte del machine learning è passata al paradigma dei modelli fondazionali: reti preaddestrate una sola volta su larga scala e applicate a nuovi compiti senza fine-tuning. I modelli fondazionali causali (CFM) portano questo paradigma nell’inferenza causale. Sono reti neurali preaddestrate che stimano grandezze causali, come l’effetto medio del trattamento, su dataset del tutto nuovi tramite in-context learning, senza richiedere aggiornamenti del modello. Questo lavoro offre un’introduzione pratica a questo ambito emergente. Prima di discutere i CFM, riassumiamo le nozioni necessarie di inferenza causale e machine learning. In tutto il lavoro includiamo esempi di codice e notebook Jupyter.