University of Cambridge（剑桥大学）

Conditioning Gaussian Processes on Almost Anything

对几乎任何事物进行高斯过程的条件化

Henry Moss, Lachlan Astfalck, Thomas Cowperthwaite, Colin Doumont, Sam Willis, Philipp Hennig, Christopher Nemeth, Andrew Zammit-Mangion

机构 * Lancaster University（兰卡斯特大学） ； University of New South Wales（新南威尔士大学） ； University of Cambridge（剑桥大学） ； University of Tübingen（图宾根大学） 纠错

AI总结 本文提出了一种通用的方法，通过将高斯过程与线性扩散模型建立等价关系，实现了对任意条件语句的高效条件化，包括非线性物理模型和自然语言，从而扩展了高斯过程在现实世界建模中的应用。

Causal Machine Learning Is Not a Panacea: A Roadmap for Observational Causal Inference in Health

因果机器学习并非万能：健康领域观察性因果推断的路线图

Donna Tjandra, Trenton Chang, Sonali Parbhoo, Rajesh Ranganath, Andre Kurepa Waschka, William Mitchell, Maggie Makar, Shalmali Joshi, Finale Doshi-Velez, Leo Anthony Celi, Jenna Wiens

机构 * Division of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； Courant Institute of Mathematical Sciences, New York University（纽约大学Courant数学科学研究所） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Department of Mathematics & Statistics, Elon University（埃洛伊大学数学与统计学系） ； Department of Ophthalmology, Cambridge University Hospitals（剑桥大学医院眼科部） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； School of Engineering and Applied Science, Harvard University（哈佛大学工程与应用科学学院） ； Laboratory for Computational Physiology, Institute for Medical Engineering and Science, Massachusetts Institute of Technology（麻省理工学院医学工程与科学研究所计算生理学实验室） ； Department of Medicine, Beth Israel Deaconess Medical Center（贝斯以色列德aconess医疗中心医学部） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院生物统计学系） 纠错

AI总结 本文探讨了因果机器学习在观察性数据中的应用，强调了验证有效性假设和合理使用因果机器学习的重要性，提出了加强因果分析严谨性和可解释性的模板。

Zero-Shot Satellite Image Retrieval through Joint Embeddings: Application to Crisis Response

通过联合嵌入实现零样本卫星图像检索：应用于危机响应

James Walsh, William Fawcett, Grace Colverd, Raúl Ramos-Pollán

机构 * Trillium Technologies ； University of Cambridge（剑桥大学） ； Universidad de Antioquia（Antioquia大学） 纠错

AI总结 本文提出GeoQuery系统，通过两阶段语义和视觉搜索，在无需配对数据和计算资源的情况下实现全球范围内的自然语言查询，利用部分全球数据的自然语言嵌入，优化描述生成提示以使文本嵌入空间与冻结CLAY视觉嵌入空间的距离相关联，从而在灾难地点查询中实现高精度检索。

Graph Neural Network based Hierarchy-Aware Embeddings of Knowledge Graphs: Applications to Yeast Phenotype Prediction

基于图神经网络的面向层次的知识图谱嵌入：应用于酵母表型预测

Filip Kronström, Alexander H. Gower, Daniel Brunnsåker, Ievgeniia A. Tiukova, Ross D. King

机构 * Department of Computer Science and Engineering, Chalmers University of Technology and University of Gothenburg（计算机科学与工程系，查尔姆斯理工大学和哥德堡大学） ； Department of Life Sciences, Chalmers University of Technology（生命科学系，查尔姆斯理工大学） ； Department of Industrial Biotechnology, KTH Royal Institute of Technology（工业生物技术系，皇家理工学院） ； Department of Chemical Engineering and Biotechnology, University of Cambridge（化学工程与生物技术系，剑桥大学） 纠错

AI总结 本文提出了一种利用图神经网络和来自底层本体的语义损失来生成层次感知的知识图谱嵌入的方法，用于酵母表型预测，并展示了其在基因敲除效应预测和知识图谱修订评估中的应用。

Chain-of-thought obfuscation learned from output supervision can generalise to unseen tasks

从输出监督学习的链式思维混淆可以泛化到未见过的任务

Nathaniel Mitrani Hadida, Sassan Bhanji, Cameron Tice, Puria Radmard

机构 * University of Cambridge（剑桥大学） ； Geodesic Research 纠错

AI总结 本文研究了链式思维（CoT）推理中混淆现象的泛化能力，发现模型在学习混淆推理轨迹时，能够将这种混淆行为及其在未见过的任务中表现出来，从而影响模型的可监控性。

Training Language Agents to Learn from Experience

训练语言代理以从经验中学习

Yuval Shalev, Zifeng Ding, Mateja Jamnik

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种名为In-context Training（ICT）的任务框架，用于评估语言代理在跨任务中的自我改进能力，并通过基于强化学习的训练管道直接从经验中学习反思，从而在多个基准任务中优于基线模型，展示了从经验中学习的能力本身可以被学习。

Graph Transductive Sharpening: Leveraging Unlabeled Predictions in Node Classification

图转导锐化：利用未标记预测进行节点分类

Brown Zaz, Mar Gonzàlez I Català, Ferran Hernandez Caralt, Moshe Eliasof, Pietro Liò

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出了一种转导锐化方法，通过利用未标记节点的预测来改进节点分类任务，无需改变基础架构即可在多个基准上提升性能。

Comments 19 pages, 4 figures, 17 tables