Buchumschlag

Prediction Bottlenecks Don't Discover Causal Structure (But Here's What They Actually Do)

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lade, Ankit Hemant, Jasti, Sai Krishna, Kumar, Indar, Chadha, Aman
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PCA-Driven Adaptive Sensor Triage for Edge AI Inference
von: Lade, Ankit Hemant, et al.
Veröffentlicht: (2026)

Supervised Dimensionality Reduction Revisited: Why LDA on Frozen CNN Features Deserves a Second Look
von: Kumar, Indar, et al.
Veröffentlicht: (2026)

RG-TTA: Regime-Guided Meta-Control for Test-Time Adaptation in Streaming Time Series
von: Kumar, Indar, et al.
Veröffentlicht: (2026)

Bias-Corrected Adaptive Conformal Inference for Multi-Horizon Time Series Forecasting
von: Lade, Ankit, et al.
Veröffentlicht: (2026)

Know What You Don't Know: Selective Prediction for Early Exit DNNs
von: Bajpai, Divya Jyoti, et al.
Veröffentlicht: (2025)

What Do Latent Action Models Actually Learn?
von: Zhang, Chuheng, et al.
Veröffentlicht: (2025)

Do's and Don'ts: Learning Desirable Skills with Instruction Videos
von: Kim, Hyunseung, et al.
Veröffentlicht: (2024)

What LLMs Think When You Don't Tell Them What to Think About?
von: Kwon, Yongchan, et al.
Veröffentlicht: (2026)

xAI-Drop: Don't Use What You Cannot Explain
von: De Luca, Vincenzo Marco, et al.
Veröffentlicht: (2024)

Reasoning Models Don't Always Say What They Think
von: Chen, Yanda, et al.
Veröffentlicht: (2025)

Know What You Don't Know: Uncertainty Calibration of Process Reward Models
von: Park, Young-Jin, et al.
Veröffentlicht: (2025)

Can Large Language Models Infer Causal Relationships from Real-World Text?
von: Saklad, Ryan, et al.
Veröffentlicht: (2025)

Discovering the Representation Bottleneck of Graph Neural Networks
von: Wu, Fang, et al.
Veröffentlicht: (2022)

Don't Freeze, Don't Crash: Extending the Safe Operating Range of Neural Navigation in Dense Crowds
von: Zhang, Jiefu, et al.
Veröffentlicht: (2026)

Trust, or Don't Predict: Introducing the CWSA Family for Confidence-Aware Model Evaluation
von: Shahnazari, Kourosh, et al.
Veröffentlicht: (2025)

Large Language Models Must Be Taught to Know What They Don't Know
von: Kapoor, Sanyam, et al.
Veröffentlicht: (2024)

What do Geometric Hallucination Detection Metrics Actually Measure?
von: Yeats, Eric, et al.
Veröffentlicht: (2026)

Stroke Prediction using Clinical and Social Features in Machine Learning
von: Chadha, Aidan
Veröffentlicht: (2024)

Transformers Don't In-Context Learn Least Squares Regression
von: Hill, Joshua, et al.
Veröffentlicht: (2025)

Benchmarking is Broken -- Don't Let AI be its Own Judge
von: Cheng, Zerui, et al.
Veröffentlicht: (2025)

Don't Forget It! Conditional Sparse Autoencoder Clamping Works for Unlearning
von: Khoriaty, Matthew, et al.
Veröffentlicht: (2025)

Don't Waste Your Time: Early Stopping Cross-Validation
von: Bergman, Edward, et al.
Veröffentlicht: (2024)

Causally Reliable Concept Bottleneck Models
von: De Felice, Giovanni, et al.
Veröffentlicht: (2025)

AlignGuard-LoRA: Alignment-Preserving Fine-Tuning via Fisher-Guided Decomposition and Riemannian-Geodesic Collision Regularization
von: Das, Amitava, et al.
Veröffentlicht: (2025)

Are Small Language Models Ready to Compete with Large Language Models for Practical Applications?
von: Sinha, Neelabh, et al.
Veröffentlicht: (2024)

Parameter Efficient Fine Tuning: A Comprehensive Analysis Across Applications
von: Balne, Charith Chandra Sai, et al.
Veröffentlicht: (2024)

Don't Lag, RAG: Training-Free Adversarial Detection Using RAG
von: Kazoom, Roie, et al.
Veröffentlicht: (2025)

Don't be lazy: CompleteP enables compute-efficient deep transformers
von: Dey, Nolan, et al.
Veröffentlicht: (2025)

Causally-Aware Information Bottleneck for Domain Adaptation
von: Javidian, Mohammad Ali
Veröffentlicht: (2026)

Does Your Wildfire Prediction Model Actually Work, or Just Score Well?
von: Xu, Yangshuang, et al.
Veröffentlicht: (2026)

mHC-lite: You Don't Need 20 Sinkhorn-Knopp Iterations
von: Yang, Yongyi, et al.
Veröffentlicht: (2026)

Don't throw the baby out with the bathwater: How and why deep learning for ARC
von: Cole, Jack, et al.
Veröffentlicht: (2025)

F-GRPO: Don't Let Your Policy Learn the Obvious and Forget the Rare
von: Plyusov, Daniil, et al.
Veröffentlicht: (2026)

Don't stop me now: Rethinking Validation Criteria for Model Parameter Selection
von: Apicella, Andrea, et al.
Veröffentlicht: (2026)

Do Concept Bottleneck Models Respect Localities?
von: Raman, Naveen, et al.
Veröffentlicht: (2024)

ECLIPTICA -- A Framework for Switchable LLM Alignment via CITA - Contrastive Instruction-Tuned Alignment
von: Wanaskar, Kapil, et al.
Veröffentlicht: (2026)

Don't Blind Your VLA: Aligning Visual Representations for OOD Generalization
von: Kachaev, Nikita, et al.
Veröffentlicht: (2025)

Don't Let Bandit Feedback Pull Continual LLM-Recommender Updates Off Target
von: Kim, Taesan, et al.
Veröffentlicht: (2026)

Don't flatten, tokenize! Unlocking the key to SoftMoE's efficacy in deep RL
von: Sokar, Ghada, et al.
Veröffentlicht: (2024)

Angles Don't Lie: Unlocking Training-Efficient RL Through the Model's Own Signals
von: Wang, Qinsi, et al.
Veröffentlicht: (2025)