University of Cambridge（剑桥大学）

A Causal Foundation Model for Structure and Outcome Prediction

用于结构与结果预测的因果基础模型

Max Zhu, Martino Mansoldo, Ching-Hao Wang, Stefan Groha

机构 * University of Cambridge, United Kingdom（英国剑桥大学） 纠错

AI总结 提出TabPFN-CFM，一种能处理多种因果问题的因果基础模型，从观测数据预测因果结构和结果，支持Pearl因果层次所有三层查询，在合成数据上训练并泛化到真实数据，优于结构和结果预测基线。

Comments 20 pages, 7 figures, 17 tables, 43rd ICML Workshop on Foundation Models for Structured Data

Otter Weather: Skillful and Computationally Efficient Medium-Range Weather Forecasting

Otter Weather：熟练且计算高效的中期天气预报

Cristiana Diaconu, Jonas Scholz, Aliaksandra Shysheya, Stratis Markou, Payel Mukhopadhyay, Miles Cranmer, Richard E. Turner

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 提出Otter Weather模型，通过高效时空预测架构在1.5°分辨率ERA5数据上以极低训练成本超越传统数值天气预报和前沿AI模型，实现技能-计算帕累托前沿的显著推进。

Algorithmic Foundations of Deep Learning: Complexity-Theoretic Rates and a Characterization of Universal Approximation

深度学习算法基础：复杂度理论速率与通用逼近的表征

Anastasis Kratsios, Simone Brugiapaglia, Bum Jun Kim, Gregory Cousins, Haitz Sáez de Ocáriz Borde

机构 * McMaster University & Vector Institute（麦克马斯特大学与向量研究所） ； Concordia University（康考迪亚大学） ； University of Tokyo（东京大学） ； McMaster University（麦克马斯特大学） ； University of Cambridge & University of Oxford（剑桥大学与牛津大学） 纠错

AI总结 本文从计算模型角度研究神经网络，证明若函数可由基本门电路计算，则神经网络能以可控深度和宽度逼近，并给出通用逼近的充要条件。

Comments 27 Main Body, 48 Page Proofs, 9 Figures