标签
论文提出 TabWM（表格世界模型）与 WorldRel 生成器，通过在上下文中观察执行样本来推断关系型系统的动态，预测动作导致的稀疏结构化编辑，从而将关系学习从状态建模扩展到世界建模与动作规划。
本文评估了关系基础模型在高基数数据上的表现，揭示了上下文窗口限制导致性能下降，而通过简单的预聚合步骤可以缓解。
本文探讨了通过软令牌将冻结的关系型Transformer嵌入注入LLMs的方法，报告了因性能不稳定和对序列化格式敏感而导致的负面结果。
本文提出了一种用于医疗领域复杂多表分析的Relational Hypergraph Transformer (RHT)架构，通过统一方法和稀疏注意力机制处理复杂性的五个维度。该研究包括形式化分析、开源实现在合成电子健康记录上的实证评估。
Prior Labs 发布开源工具，包括 RelArena-α、TabPFN-Rel 和 RPI，以推进可复现的关系学习，提供统一的基准测试框架和一个基于 TabPFN 的模型。
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。
本文提出了一种改进大型语言模型推理的方法，通过重新编码数据以显式表示关系，实现高效且原则性的推理，并具备关系规则的多项式时间可学习性，从而解决幻觉问题并支持跨多次调用的可靠推理。