11:15官方账号arXiv cs.AI@Kevin MurphyModel Discovery Agent (MDA) 将大语言模型作为候选结构提议器,与序贯蒙特卡洛、模拟推断和价值信息等贝叶斯方法结合,用于从少量干预实验中学习因果机制模型。MDA 在 M-open 设定下运行,当真实模型超出假设类时,预测检查会触发提议器扩展假设空间。在物理、化学和生物学三个基准上,MDA 实现了数据高效的模型学习和可靠的干预预测,创下新 SOTA。论文Model Discovery Agent贝叶斯实验设计因果模型推荐理由:想用最少实验搞清楚因果机制?MDA 把 LLM 和贝叶斯结合,自动设计实验、发现模型,物理化学生物三领域都刷新了纪录。原文稍后读已读值得跟进有用关注 Model Discovery Agent
13:27官方账号arXiv cs.LG@Tom Rossa, Angus Phillips, Tom Rainforth传统贝叶斯实验设计(BED)基于最大化预期不确定性减少,导致双重难解目标难以优化。该论文提出Action-BED,基于预期未来损失(EFL)的任务驱动框架,将目标简化为单重难解问题。通过随机梯度联合优化设计策略和动作策略,无需显式后验或边际似然估计。只需要从联合模型采样并评估下游损失函数,比现有方法更有效、高效、简单。论文Action-BED贝叶斯实验设计任务驱动推荐理由:这篇论文提出Action-BED,把贝叶斯实验设计的目标从双重难解变成单重难解,直接用随机梯度优化,更简单高效。原文稍后读已读值得跟进有用关注 Action-BED