Buchumschlag

Belief or Circuitry? Causal Evidence for In-Context Graph Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kowalyshyn, Katharine, Duggan, Timothy, Little, Daniel, Hughes, Michael C
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Are you with me? A Framework for Detecting Mental Model Discrepancies in Task-Based Team Dialogues
von: Kowalyshyn, Katharine, et al.
Veröffentlicht: (2026)

Reinforcement Learning Fine-Tuning Enhances Activation Intensity and Diversity in the Internal Circuitry of LLMs
von: Zhang, Honglin, et al.
Veröffentlicht: (2025)

Heuristic Transformer: Belief Augmented In-Context Reinforcement Learning
von: Dippel, Oliver, et al.
Veröffentlicht: (2025)

Stories in Space: In-Context Learning Trajectories in Conceptual Belief Space
von: Bigelow, Eric, et al.
Veröffentlicht: (2026)

Belief Dynamics Reveal the Dual Nature of In-Context Learning and Activation Steering
von: Bigelow, Eric, et al.
Veröffentlicht: (2025)

Context-aware Graph Causality Inference for Few-Shot Molecular Property Prediction
von: Hoang, Van Thuy, et al.
Veröffentlicht: (2026)

Causal Concept Graph Models: Beyond Causal Opacity in Deep Learning
von: Dominici, Gabriele, et al.
Veröffentlicht: (2024)

Causal Neighbourhood Learning for Invariant Graph Representations
von: Job, Simi, et al.
Veröffentlicht: (2026)

How Few-Shot Examples Add Up: A Causal Decomposition of Function Vectors in In-Context Learning
von: Wang, Entang, et al.
Veröffentlicht: (2026)

Oversmoothing, Oversquashing, Heterophily, Long-Range, and more: Demystifying Common Beliefs in Graph Machine Learning
von: Arnaiz-Rodriguez, Adrian, et al.
Veröffentlicht: (2025)

Causal Contextual Bandits with Adaptive Context
von: Madhavan, Rahul, et al.
Veröffentlicht: (2024)

Conceptual Belief-Informed Reinforcement Learning
von: Gu, Xingrui, et al.
Veröffentlicht: (2024)

Inductive Subgraphs as Shortcuts: Causal Disentanglement for Heterophilic Graph Learning
von: Wang, Xiangmeng, et al.
Veröffentlicht: (2026)

Learning Causal Graphs at Scale: A Foundation Model Approach
von: Yin, Naiyu, et al.
Veröffentlicht: (2025)

Explaining an Agent's Future Beliefs through Temporally Decomposing Future Reward Estimators
von: Towers, Mark, et al.
Veröffentlicht: (2024)

Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship
von: Nguyen, Nang Hung, et al.
Veröffentlicht: (2026)

A Closer Look at the Application of Causal Inference in Graph Representation Learning
von: Gao, Hang, et al.
Veröffentlicht: (2026)

Rethinking Dimensional Rationale in Graph Contrastive Learning from Causal Perspective
von: Ji, Qirui, et al.
Veröffentlicht: (2023)

Individual Causal Inference with Structural Causal Model
von: Chang, Daniel T.
Veröffentlicht: (2025)

CEGRL-TKGR: A Causal Enhanced Graph Representation Learning Framework for Temporal Knowledge Graph Reasoning
von: Sun, Jinze, et al.
Veröffentlicht: (2024)

Graph Diffusion Transformers are In-Context Molecular Designers
von: Liu, Gang, et al.
Veröffentlicht: (2025)

Graph Neural Network Causal Explanation via Neural Causal Models
von: Behnam, Arman, et al.
Veröffentlicht: (2024)

Deep Belief Markov Models for POMDP Inference
von: Arcieri, Giacomo, et al.
Veröffentlicht: (2025)

Transferable Delay-Aware Reinforcement Learning via Implicit Causal Graph Modeling
von: Zhao, Chenran, et al.
Veröffentlicht: (2026)

Few-Shot Causal Representation Learning for Out-of-Distribution Generalization on Heterogeneous Graphs
von: Ding, Pengfei, et al.
Veröffentlicht: (2024)

Incremental Causal Graph Learning for Online Cyberattack Detection in Cyber-Physical Infrastructures
von: Malarkkan, Arun Vignesh, et al.
Veröffentlicht: (2025)

Refined Causal Graph Structure Learning via Curvature for Brain Disease Classification
von: Febrinanto, Falih Gozi, et al.
Veröffentlicht: (2025)

Causal Graph Neural Networks for Healthcare
von: Mesinovic, Munib, et al.
Veröffentlicht: (2025)

Entropic Causal Inference: Graph Identifiability
von: Compton, Spencer, et al.
Veröffentlicht: (2025)

Deep Causal Learning: Representation, Discovery and Inference
von: Deng, Zizhen, et al.
Veröffentlicht: (2022)

Optimizing Graph Causal Classification Models: Estimating Causal Effects and Addressing Confounders
von: Job, Simi, et al.
Veröffentlicht: (2026)

Integrating Temporal and Structural Context in Graph Transformers for Relational Deep Learning
von: Lachi, Divyansha, et al.
Veröffentlicht: (2025)

FastGAS: Fast Graph-based Annotation Selection for In-Context Learning
von: Chen, Zihan, et al.
Veröffentlicht: (2024)

Identifying Causal Effects via Context-specific Independence Relations
von: Tikka, Santtu, et al.
Veröffentlicht: (2020)

Evaluating Causal Discovery Algorithms for Path-Specific Fairness and Utility in Healthcare
von: Nagesh, Nitish, et al.
Veröffentlicht: (2026)

Explaining the Behavior of Black-Box Prediction Algorithms with Causal Learning
von: Sani, Numair, et al.
Veröffentlicht: (2020)

GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning
von: Ma, Weishuo, et al.
Veröffentlicht: (2025)

Context-Aware Adapter Tuning for Few-Shot Relation Learning in Knowledge Graphs
von: Liu, Ran, et al.
Veröffentlicht: (2024)

Exploring the In-Context Learning Capabilities of LLMs for Money Laundering Detection in Financial Graphs
von: Pirmorad, Erfan
Veröffentlicht: (2025)

A Survey of Out-of-distribution Generalization for Graph Machine Learning from a Causal View
von: Ma, Jing
Veröffentlicht: (2024)