Longitudinal causal effect estimation 面临时间变动混杂和治疗-混杂反馈环路的挑战。传统方法需要为每个数据集拟合特定的 nuisance 模型，且多数只能处理预先设定的治疗序列或预测时段，导致部署时计算开销大。我们提出 PICLE‑PFN（Policy In‑Context Longitudinal causal Effect estimation with Prior‑data Fitted Networks），这是首个支持动态治疗策略的纵向因果效应基础模型。PICLE‑PFN 通过在上下文中提供历史决策示例来表示目标策略，形成统一的接口，能够覆盖广泛的策略类别。模型在从纵向结构因果模型采样的合成数据上进行预训练，实现对数据集、策略和预测时段的因果效应估计的 amortization。给定新的观测数据集和目标策略时，模型只需一次前向传播即可直接输出条件平均潜在结果（CAPO），无需任务特定的训练或超参数调优。实验在合成和半合成纵向基准上显示，PICLE‑PFN 在 RMSE 上与最先进的专用估计器持平，并显著提升不确定性校准，同时部署时间仅为其十分之一左右。
点评