Buchumschlag

CACTUS: a Comprehensive Abstraction and Classification Tool for Uncovering Structures

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gherardini, Luca, Varma, Varun Ravi, Capala, Karol, Woods, Roger, Sousa, Jose
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Improving Noise Robustness through Abstractions and its Impact on Machine Learning
von: Ibias, Alfredo, et al.
Veröffentlicht: (2024)

Preservation of Feature Stability in Machine Learning Under Data Uncertainty for Decision Support in Critical Domains
von: Capała, Karol, et al.
Veröffentlicht: (2024)

CACTUS as a Reliable Tool for Early Classification of Age-related Macular Degeneration
von: Gherardini, Luca, et al.
Veröffentlicht: (2025)

CACTUS: Chemistry Agent Connecting Tool-Usage to Science
von: McNaughton, Andrew D., et al.
Veröffentlicht: (2024)

A feature-stable and explainable machine learning framework for trustworthy decision-making under incomplete clinical data
von: Andrys-Olek, Justyna, et al.
Veröffentlicht: (2026)

Realizable Abstractions: Near-Optimal Hierarchical Reinforcement Learning
von: Cipollone, Roberto, et al.
Veröffentlicht: (2025)

On the Structural Limitations of Weight-Based Neural Adaptation and the Role of Reversible Behavioral Learning
von: Konduru, Pardhu Sri Rushi Varma
Veröffentlicht: (2026)

Uncovering the Structure of Explanation Quality with Spectral Analysis
von: Maeß, Johannes, et al.
Veröffentlicht: (2025)

Learning Causal Abstractions of Linear Structural Causal Models
von: Massidda, Riccardo, et al.
Veröffentlicht: (2024)

Neural Causal Abstractions
von: Xia, Kevin, et al.
Veröffentlicht: (2024)

Distributionally Robust Causal Abstractions
von: Felekis, Yorgos, et al.
Veröffentlicht: (2025)

Contrastive Abstraction for Reinforcement Learning
von: Patil, Vihang, et al.
Veröffentlicht: (2024)

In-Context Planning with Latent Temporal Abstractions
von: Luo, Baiting, et al.
Veröffentlicht: (2026)

Interval Abstractions for Robust Counterfactual Explanations
von: Jiang, Junqi, et al.
Veröffentlicht: (2024)

Fast and Accurate Explanations of Distance-Based Classifiers by Uncovering Latent Explanatory Structures
von: Bley, Florian, et al.
Veröffentlicht: (2025)

Abstraction for Offline Goal-Conditioned Reinforcement Learning
von: Wibault, Clarisse, et al.
Veröffentlicht: (2026)

Vector Symbolic Algebras for the Abstraction and Reasoning Corpus
von: Joffe, Isaac, et al.
Veröffentlicht: (2025)

seeBias: A Comprehensive Tool for Assessing and Visualizing AI Fairness
von: Ning, Yilin, et al.
Veröffentlicht: (2025)

Policy Gradient Methods in the Presence of Symmetries and State Abstractions
von: Panangaden, Prakash, et al.
Veröffentlicht: (2023)

Context-Sensitive Abstractions for Reinforcement Learning with Parameterized Actions
von: Nayyar, Rashmeet Kaur, et al.
Veröffentlicht: (2025)

Causal Abstraction Learning based on the Semantic Embedding Principle
von: D'Acunto, Gabriele, et al.
Veröffentlicht: (2025)

A Modular Dataset to Demonstrate LLM Abstraction Capability
von: Atanas, Adam, et al.
Veröffentlicht: (2025)

Learning Markov State Abstractions for Deep Reinforcement Learning
von: Allen, Cameron, et al.
Veröffentlicht: (2021)

Understanding the Countably Infinite: Neural Network Models of the Successor Function and its Acquisition
von: Gupta, Vima, et al.
Veröffentlicht: (2023)

Preference-Conditioned Language-Guided Abstraction
von: Peng, Andi, et al.
Veröffentlicht: (2024)

Learning with Language-Guided State Abstractions
von: Peng, Andi, et al.
Veröffentlicht: (2024)

Decoupled Hierarchical Reinforcement Learning with State Abstraction for Discrete Grids
von: Xiao, Qingyu, et al.
Veröffentlicht: (2025)

Addressing the Abstraction and Reasoning Corpus via Procedural Example Generation
von: Hodel, Michael
Veröffentlicht: (2024)

Combining Causal Models for More Accurate Abstractions of Neural Networks
von: Pîslar, Theodora-Mara, et al.
Veröffentlicht: (2025)

Learning with Expert Abstractions for Efficient Multi-Task Continuous Control
von: Jewett, Jeff, et al.
Veröffentlicht: (2025)

ARCLE: The Abstraction and Reasoning Corpus Learning Environment for Reinforcement Learning
von: Lee, Hosung, et al.
Veröffentlicht: (2024)

A Relational Inductive Bias for Dimensional Abstraction in Neural Networks
von: Campbell, Declan, et al.
Veröffentlicht: (2024)

Reconciling Spatial and Temporal Abstractions for Goal Representation
von: Zadem, Mehdi, et al.
Veröffentlicht: (2024)

Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning
von: Zhao, Mingde, et al.
Veröffentlicht: (2023)

Efficient Exploration and Discriminative World Model Learning with an Object-Centric Abstraction
von: GX-Chen, Anthony, et al.
Veröffentlicht: (2024)

Precise Verification of Transformers through ReLU-Catalyzed Abstraction Refinement
von: Liu, Hengjie, et al.
Veröffentlicht: (2026)

Self-Abstraction Learning for Effective and Stable Training of Deep Neural Networks
von: Cho, Wonyong, et al.
Veröffentlicht: (2026)

Learning World Models With Hierarchical Temporal Abstractions: A Probabilistic Perspective
von: Shaj, Vaisakh
Veröffentlicht: (2024)

Goal-Oriented Skill Abstraction for Offline Multi-Task Reinforcement Learning
von: He, Jinmin, et al.
Veröffentlicht: (2025)

On the Sample Efficiency of Abstractions and Potential-Based Reward Shaping in Reinforcement Learning
von: Canonaco, Giuseppe, et al.
Veröffentlicht: (2024)