TMLR

Demystifying amortized causal discovery with transformers

用变压器解密 amortized 因果发现

Francesco Montagna, Max Cairney-Leeming, Dhanya Sridhar, Francesco Locatello

机构 * Institute of Science and Technology Austria（奥地利科学与技术研究所） ； Chan Zuckerberg Initiative（查纳·泽克伯格倡议） ； Mila - Quebec AI Institute and Université de Montréal（蒙特利尔AI研究所和蒙特利尔大学） 纠错

AI总结 本文分析了CSIvA在双变量因果模型中的表现，发现其在测试时依赖于训练分布定义的先验，且在不同结构假设下改进了泛化能力，推翻了之前关于监督学习能克服限制的假设。

Journal ref Transactions in Machine Learning Research (TMLR), 2025

Fast weight programming and linear transformers: from machine learning to neurobiology

快速权重编程与线性变换器：从机器学习到神经生物学

Kazuki Irie, Samuel J. Gershman

机构 * Harvard University（哈佛大学） ； Center for Brain Science（脑科学中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（自然与人工智能研究学院） 纠错

AI总结 本文探讨了快速权重编程器（FWPs）的理论基础、计算特性及其与变换器和状态空间模型的联系，并讨论了FWPs与大脑突触可塑性模型的关联，揭示了自然与人工智能的交汇。

Comments Accepted to TMLR 2025