@adiba_ejaz: 因果（和统计）模型如何泛化到相互作用对象的新颖组合？我们与 @eliasbare… 的工作

X AI KOLs Timeline 2026/07/04 17:14 论文

causal-models generalization icml research machine-learning

摘要

这篇在ICML上发表的论文探讨了因果和统计模型如何泛化到相互作用对象的新颖组合，并在会议期间安排了一场海报展示。

因果（和统计）模型如何泛化到相互作用对象的新颖组合？我们与 @eliasbareinboim 在 @icmlconf 的工作探讨了这个问题。很高兴能更广泛地讨论这篇论文和因果世界模型！海报：7月8日周三下午5:00-6:45 KST，A厅 #4207 https://t.co/EO1xhZaW4m

查看原文

查看缓存全文

缓存时间: 2026/07/04 20:53

因果（和统计）模型如何泛化到新颖的交互对象组合？我们与@eliasbareinboim在@icmlconf的工作探讨了这个问题。欢迎来聊聊这篇论文以及更广泛的因果世界模型！

Poster: 7月8日周三韩国标准时间下午5-6:45 A厅 #4207 https://t.co/EO1xhZaW4m

相似文章

X AI KOLs Timeline

Elias Bareinboim 宣布他团队的多个 ICML 2025 论文关于因果 AI，涵盖关系世界模型、鲁棒离线强化学习、反事实识别和因果博弈论，强调 AI 推理中因果知识的必要性。

Hugging Face Daily Papers

CausaLab 是一个可扩展的环境，用于评估LLM智能体在交互式因果发现中的表现，同时衡量预测准确性和对潜在因果机制的忠实复现。实验揭示了预测与机制复现之间的差距，突显了当前LLM智能体作为实验性因果推理者的局限性。

arXiv cs.AI

本文介绍了关系结构因果模型，将结构因果模型扩展到具有变化对象和关系的场景。它提供了识别的理论结果，并提出了关系神经因果模型，该模型在模拟交通场景中的表现优于非关系基线方法。

arXiv cs.LG

本文提出了一种用于条件因果发现的贝叶斯方法，其中因果图和参数的后验以用户指定的因果效应约束（例如，较大的因果效应）为条件。他们采用稀有事件估计技术来处理后验质量较小的事件，并在合成数据和Sachs蛋白质数据集上验证了该方法。

arXiv cs.AI

介绍CausalDS，一个用于评估基于LLM的数据科学智能体中因果推理的基准。它利用合成结构因果模型和自然语言故事测试关联、干预和反事实推理，以及工具使用和弃权。