@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 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

CausaLab: 面向AI科学家的可扩展交互式因果发现环境

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。

关系结构因果模型

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。

代理时代的因果发现

Hugging Face Daily Papers

本文认为，语言模型代理应通过提供上下文支持和解释来辅助因果发现工作流程，而非生成因果结论，并介绍了causal-learn+平台以演示这一原则。