University of California, San Diego（加州大学圣迭戈分校）

Causally Debiased Latent Action Model for Embodied Action Conditioned World Models

用于具身动作条件世界模型的因果去偏潜行动模型

Yufan Wei, Kun Zhou, Lingjun Mao, Zijun Zhang, Ziming Xu, Ziqiao Xi, Shuang Liang, Ruobing Han, Yuchen Yan, Xinyue Wang, Fan Feng, Biwei Huang

机构 * Aether AI ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究针对动作条件世界模型学习需大量标记数据的问题，提出基于潜行动模型的因果去偏框架CD-LAM，通过三个微调目标改进模型，提升了潜行动可控性等多方面性能，减少了机器人动作适应更新次数。

Learning More from Less: Reinforcement Learning from Hindsight

从更少中学习更多：事后诸葛亮式强化学习

Iris Xu, Sunshine Jiang, John Marangola, Nitish Dashora, Richard Li, Thomas Liu, Zexue He, Yuheng Zhi, Alex Pentland, Pulkit Agrawal, Zhang-Wei Hong

机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Computing Research Lab（麻省理工学院-IBM计算研究实验室） ； Stanford University（斯坦福大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

AI总结 研究针对强化学习用于视觉-语言-动作模型后期训练时样本效率低的问题，提出事后诸葛亮式学习方法，通过对失败轨迹重标记，让策略联合原始与重标记轨迹训练，在分布外任务上显著提升样本效率并优于基线。

Cluster and then Embed: A Modular Approach for Visualization

先聚类再嵌入：一种可视化的模块化方法

Elizabeth Coda, Ery Arias-Castro, Gal Mishne

机构 * Department of Mathematics, University of California, San Diego（数学系，加州大学圣地亚哥分校） ； Halıcıoğlu Data Science Institute, University of California, San Diego（Halıcıoğlu数据科学研究所，加州大学圣地亚哥分校） 纠错

AI总结 研究针对t-SNE和UMAP在可视化时扭曲数据全局几何结构的问题，提出先聚类再嵌入的模块化方法，经多数据集实验验证，此方法在保持竞争力的同时更具透明度。

Beyond LLMs: A Linguistic Approach to Causal Graph Generation from Narrative Texts

超越大语言模型：一种从叙事文本生成因果图的语言学方法

Zehan Li, Ruhua Pan, Xinyu Pi

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 该研究提出从叙事文本生成因果图的框架，先以LLM提取顶点，引入含七个语言特征的“专家索引”并集成到分类模型，结合RoBERTa嵌入提升因果关系识别精度，经五次迭代提示构建因果图，实验证明其优于GPT-4o和Claude 3.5，还提供开源工具。

Comments published at the 7th Workshop on Narrative Understanding, NAACL 2025