Buchumschlag

Natural Building Blocks for Structured World Models: Theory, Evidence, and Scaling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Da Costa, Lancelot, Namjoshi, Sanjeev, Ansari, Mohammed Abbas, Schölkopf, Bernhard
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Out-of-Variable Generalization for Discriminative Models
von: Guo, Siyuan, et al.
Veröffentlicht: (2023)

Computational Arbitrage in AI Model Markets
von: Olmedo, Ricardo, et al.
Veröffentlicht: (2026)

A Probabilistic Model Behind Self-Supervised Learning
von: Bizeul, Alice, et al.
Veröffentlicht: (2024)

Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering
von: Kladny, Klaus-Rudolf, et al.
Veröffentlicht: (2024)

Can Large Language Models Learn Formal Logic? A Data-Driven Training and Evaluation Framework
von: Xia, Yuan, et al.
Veröffentlicht: (2025)

Identifiable Exchangeable Mechanisms for Causal Structure and Representation Learning
von: Reizinger, Patrik, et al.
Veröffentlicht: (2024)

Limits of Transformer Language Models on Learning to Compose Algorithms
von: Thomm, Jonathan, et al.
Veröffentlicht: (2024)

Causality can systematically address the monsters under the bench(marks)
von: Leeb, Felix, et al.
Veröffentlicht: (2025)

Graphlets as Building Blocks for Structural Vocabulary in Knowledge Graph Foundation Models
von: Amouzouvi, Kossi, et al.
Veröffentlicht: (2026)

A Critical Perspective on Finite Sample Conformal Prediction Theory in Medical Applications
von: Kladny, Klaus-Rudolf, et al.
Veröffentlicht: (2025)

Riemannian Networks over Full-Rank Correlation Matrices
von: Chen, Ziheng, et al.
Veröffentlicht: (2026)

Preference Elicitation for Offline Reinforcement Learning
von: Pace, Alizée, et al.
Veröffentlicht: (2024)

Terminating Differentiable Tree Experts
von: Thomm, Jonathan, et al.
Veröffentlicht: (2024)

Improving Large Language Model Safety with Contrastive Representation Learning
von: Simko, Samuel, et al.
Veröffentlicht: (2025)

Provable Privacy with Non-Private Pre-Processing
von: Hu, Yaxi, et al.
Veröffentlicht: (2024)

Identifying Intervenable and Interpretable Features via Orthogonality Regularization
von: Miller, Moritz, et al.
Veröffentlicht: (2026)

Stargazer: A Scalable Model-Fitting Benchmark Environment for AI Agents under Astrophysical Constraints
von: Liu, Xinge, et al.
Veröffentlicht: (2026)

Riemannian Batch Normalization: A Gyro Approach
von: Chen, Ziheng, et al.
Veröffentlicht: (2025)

Causality Is Key to Understand and Balance Multiple Goals in Trustworthy ML and Foundation Models
von: Binkyte, Ruta, et al.
Veröffentlicht: (2025)

On efficient computation in active inference
von: Paul, Aswin, et al.
Veröffentlicht: (2023)

Learning Nonlinear Causal Reductions to Explain Reinforcement Learning Policies
von: Kekić, Armin, et al.
Veröffentlicht: (2025)

Deep Backtracking Counterfactuals for Causally Compliant Explanations
von: Kladny, Klaus-Rudolf, et al.
Veröffentlicht: (2023)

BuilderBench: The Building Blocks of Intelligent Agents
von: Ghugare, Raj, et al.
Veröffentlicht: (2025)

Learning Interpretable Concepts: Unifying Causal Representation Learning and Foundation Models
von: Rajendran, Goutham, et al.
Veröffentlicht: (2024)

Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models
von: Lübeck, Frederike, et al.
Veröffentlicht: (2025)

Intrinsically Interpretable Attention via Sparse Post-Training
von: Draye, Florent, et al.
Veröffentlicht: (2025)

Counterfactual reasoning: an analysis of in-context emergence
von: Miller, Moritz, et al.
Veröffentlicht: (2025)

Algorithmic causal structure emerging through compression
von: Wendong, Liang, et al.
Veröffentlicht: (2025)

Hyperbolic Busemann Neural Networks
von: Chen, Ziheng, et al.
Veröffentlicht: (2026)

Causal vs. Anticausal merging of predictors
von: Mejia, Sergio Hernan Garrido, et al.
Veröffentlicht: (2025)

Toward Universal and Interpretable World Models for Open-ended Learning Agents
von: Da Costa, Lancelot
Veröffentlicht: (2024)

RP1M: A Large-Scale Motion Dataset for Piano Playing with Bi-Manual Dexterous Robot Hands
von: Zhao, Yi, et al.
Veröffentlicht: (2024)

Skill Learning via Policy Diversity Yields Identifiable Representations for Reinforcement Learning
von: Reizinger, Patrik, et al.
Veröffentlicht: (2025)

Accuracy on the wrong line: On the pitfalls of noisy data for out-of-distribution generalisation
von: Sanyal, Amartya, et al.
Veröffentlicht: (2024)

Bayesian Predictive Coding
von: Tschantz, Alexander, et al.
Veröffentlicht: (2025)

Structurally Flexible Neural Networks: Evolving the Building Blocks for General Agents
von: Pedersen, Joachim Winther, et al.
Veröffentlicht: (2024)

MathGAP: Out-of-Distribution Evaluation on Problems with Arbitrarily Complex Proofs
von: Opedal, Andreas, et al.
Veröffentlicht: (2024)

Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles
von: Ni, Zhanghan, et al.
Veröffentlicht: (2026)

TRIALSCOPE: A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models
von: González, Javier, et al.
Veröffentlicht: (2023)

BlockBatch: Multi-Scale Consensus Decoding for Efficient Diffusion Language Model Inference
von: Wu, Xiaoyou, et al.
Veröffentlicht: (2026)