Chinese contentJEPA 世界模型学会回答"如果当初":反事实推理无需反事实数据
这篇论文挺有意思:它从数学上证明普通世界模型天生答不了"换个动作会怎样",然后给出一个零额外数据的修正公式。实验里反事实 R² 直接从四成拉到九成,用的还是 DINOv2 这类现成冻结编码器。做机器人或强化学习的开发者值得认真读,反思机制可以直接套到已有模型上。
这篇论文挺有意思:它从数学上证明普通世界模型天生答不了"换个动作会怎样",然后给出一个零额外数据的修正公式。实验里反事实 R² 直接从四成拉到九成,用的还是 DINOv2 这类现成冻结编码器。做机器人或强化学习的开发者值得认真读,反思机制可以直接套到已有模型上。
测了一下那些号称能模拟临床试验的世界模型,结果发现传统模型其实没学会药物干预本身,反而是大语言模型真能分清药效,数据都开源了。
时间序列分类的黑盒解释往往只找够用的特征,但可能抓到噪音。这篇论文提出了TimePNS,用反事实推理揪出真正必要的子序列,实验效果比现有方法好。
这篇论文把LLM当推理引擎,把知识存进显式数据库DaoQL,反事实推理比GPT-4o单独强49个百分点,适合做高精度场景的参考。
想给概率逻辑程序加上精准的反事实推理?DeepSWIP用商WMC方法避免了DeepTwin的内生重复,实测快两倍多,做因果推断的朋友可以看看。
这篇论文提出了FACR方法,用反事实干预让模型解释情绪时真正依赖因果相关的动作单元,不再只是表面合理,在UNBC-PAIN上一致性从0.08跳到0.57。
这篇论文戳破了“数据足够就能预测一切”的常见假设,做因果推断、反事实推理或世界模型研究的开发者会看到理论上的新边界——原来预测器天生缺失跨世界耦合信息,而WorldKernel给出了补全它的数学框架,值得细读。