Buchumschlag

Self-supervised Pretraining for Decision Foundation Model: Formulation, Pipeline and Challenges

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Xiaoqian, Jiao, Jianbin, Zhang, Junge
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

Position: Foundation Agents as the Paradigm Shift for Decision Making
von: Liu, Xiaoqian, et al.
Veröffentlicht: (2024)

Multi-level Self-supervised Pretraining on Compositional Hierarchical Graph for Molecular Property Prediction
von: Liu, Xiayu, et al.
Veröffentlicht: (2026)

Diffusion-Guided Pretraining for Brain Graph Foundation Models
von: Wei, Xinxu, et al.
Veröffentlicht: (2026)

UTICA: Multi-Objective Self-Distllation Foundation Model Pretraining for Time Series Classification
von: Moakher, Yessin, et al.
Veröffentlicht: (2026)

HeterCSI: Channel-Adaptive Heterogeneous CSI Pretraining Framework for Generalized Wireless Foundation Models
von: Zhang, Chenyu, et al.
Veröffentlicht: (2026)

Fostering Intrinsic Motivation in Reinforcement Learning with Pretrained Foundation Models
von: Andres, Alain, et al.
Veröffentlicht: (2024)

CauKer: Classification Time Series Foundation Models Can Be Pretrained on Synthetic Data
von: Xie, Shifeng, et al.
Veröffentlicht: (2025)

Bridging Distribution Gaps in Time Series Foundation Model Pretraining with Prototype-Guided Normalization
von: Gong, Peiliang, et al.
Veröffentlicht: (2025)

Extending Pretrained 10-Second ECG Foundation Models to Longer Horizons
von: Tang, Wei, et al.
Veröffentlicht: (2026)

Pretraining a Foundation Model for Small-Molecule Natural Products
von: Ding, Yuheng, et al.
Veröffentlicht: (2025)

Understanding the Training and Generalization of Pretrained Transformer for Sequential Decision Making
von: Wang, Hanzhao, et al.
Veröffentlicht: (2024)

Ten Challenging Problems in Federated Foundation Models
von: Fan, Tao, et al.
Veröffentlicht: (2025)

Advancing Financial Engineering with Foundation Models: Progress, Applications, and Challenges
von: Chen, Liyuan, et al.
Veröffentlicht: (2025)

FMTK: A Modular Toolkit for Composable Time Series Foundation Model Pipelines
von: Shastri, Hetvi, et al.
Veröffentlicht: (2025)

From Projection to Prediction: Beyond Logits for Scalable Language Models
von: Dong, Jianbing, et al.
Veröffentlicht: (2025)

IDEA Prune: An Integrated Enlarge-and-Prune Pipeline in Generative Language Model Pretraining
von: Li, Yixiao, et al.
Veröffentlicht: (2025)

PRISM: Exploring Heterogeneous Pretrained EEG Foundation Model Transfer to Clinical Differential Diagnosis
von: Lahiri, Jeet Bandhu, et al.
Veröffentlicht: (2026)

Unraveling Spatio-Temporal Foundation Models via the Pipeline Lens: A Comprehensive Review
von: Fang, Yuchen, et al.
Veröffentlicht: (2025)

Foundation Models for Anomaly Detection: Vision and Challenges
von: Ren, Jing, et al.
Veröffentlicht: (2025)

Advances and Open Challenges in Federated Foundation Models
von: Ren, Chao, et al.
Veröffentlicht: (2024)

In-Context Decision Making for Optimizing Complex AutoML Pipelines
von: Balef, Amir Rezaei, et al.
Veröffentlicht: (2025)

Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision
von: Zhang, Zeyang, et al.
Veröffentlicht: (2024)

Dual Formulation for Non-Rectangular Lp Robust Markov Decision Processes
von: Kumar, Navdeep, et al.
Veröffentlicht: (2025)

Towards Open Respiratory Acoustic Foundation Models: Pretraining and Benchmarking
von: Zhang, Yuwei, et al.
Veröffentlicht: (2024)

UniTabE: A Universal Pretraining Protocol for Tabular Foundation Model in Data Science
von: Yang, Yazheng, et al.
Veröffentlicht: (2023)

MADCluster: Model-agnostic Anomaly Detection with Self-supervised Clustering Network
von: Lee, Sangyong, et al.
Veröffentlicht: (2025)

Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting
von: Liu, Yao
Veröffentlicht: (2025)

Foundation Model Self-Play: Open-Ended Strategy Innovation via Foundation Models
von: Dharna, Aaron, et al.
Veröffentlicht: (2025)

Self-supervised Synthetic Pretraining for Inference of Stellar Mass Embedded in Dense Gas
von: Hirashima, Keiya, et al.
Veröffentlicht: (2025)

VIGraph: Generative Self-supervised Learning for Class-Imbalanced Node Classification
von: Hu, Yulan, et al.
Veröffentlicht: (2023)

Pretraining Strategies and Scaling for ECG Foundation Models: A Systematic Study
von: Al-Masud, M A, et al.
Veröffentlicht: (2026)

Self-supervised learning on gene expression data
von: Dradjat, Kevin, et al.
Veröffentlicht: (2025)

AnyAttack: Towards Large-scale Self-supervised Adversarial Attacks on Vision-language Models
von: Zhang, Jiaming, et al.
Veröffentlicht: (2024)

An Interpretable and Scalable Framework for Evaluating Large Language Models
von: Qu, Xinhao, et al.
Veröffentlicht: (2026)

HeTa: Relation-wise Heterogeneous Graph Foundation Attack Model
von: Wang, Yuling, et al.
Veröffentlicht: (2025)

Towards Fully Automated Decision-Making Systems for Greenhouse Control: Challenges and Opportunities
von: Liu, Yongshuai, et al.
Veröffentlicht: (2025)

Self-supervised and Multi-fidelity Learning for Extended Predictive Soil Spectroscopy
von: Sun, Luning, et al.
Veröffentlicht: (2025)

Robust Uncertainty Quantification for Self-Evolving Large Language Models via Continual Domain Pretraining
von: Zhou, Xiaofan, et al.
Veröffentlicht: (2025)

GraphSculptor: Sculpting Pre-training Coreset for Graph Self-supervised Learning
von: Liu, Chuang, et al.
Veröffentlicht: (2026)

Decision-Focused Fine-Tuning of Time Series Foundation Models for Dispatchable Feeder Optimization
von: Beichter, Maximilian, et al.
Veröffentlicht: (2025)