Michael I. Jordan

Online Decision-Focused Learning

在线决策聚焦学习

Aymeric Capitaine, Maxime Haddouche, Eric Moulines, Michael I. Jordan, Etienne Boursier, Alain Durmus

机构 * Centre de Mathématiques Appliquées - CNRS, École Polytechnique, Paris, France（应用数学中心 - CNRS，巴黎高等学院，法国） ； INRIA - CNRS, Ecole Normale Supérieure, PSL Research University, France（INRIA - CNRS，巴黎高等师范大学，法国） ； EPITA, Laboratoire de Recherche de l’EPITA, Mohamed Bin Zayed University of AI, Paris, France（EPITA，EPITA研究实验室，人工智能马尔代夫大学，法国） ； Inria Paris, Ecole Normale Superieure PSL, UC Berkeley, Paris, France（Inria巴黎，巴黎高等师范大学PSL，伯克利大学，法国） ； Inria Saclay, Université Paris Saclay, LMO, Orsay, France（Inria萨克利，巴黎萨克利大学，LMO，法国） 纠错

AI总结 本文提出两种在线算法，通过正则化和扰动技术解决动态环境下决策聚焦学习的非凸性问题，并首次建立了可证明的遗憾界。

Test-then-Punish: A Statistical Approach to Repeated Games

测试后惩罚：重复游戏的统计方法

Aymeric Capitaine, Antoine Scheid, Etienne Boursier, Alain Durmus, Michael I. Jordan

AI总结 本文提出了一种基于统计检验的重复游戏合作维持策略，通过测试后惩罚机制实现合作，并在不完美监控条件下达成纳什均衡。

A Reinforcement Learning Approach in Multi-Phase Second-Price Auction Design

多阶段第二价格拍卖设计中的强化学习方法

Rui Ai, Boxiang Lyu, Zhaoran Wang, Zhuoran Yang, Michael I. Jordan

机构 * Institute for Data, Systems, and Society（数据、系统与社会研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Booth School of Business（博世商学院） ； The University of Chicago（芝加哥大学） ； Department of Industrial Engineering and Management Sciences（工业工程与管理科学系） ； Northwestern University（西北大学） ； Department of Statistics and Data Science（统计与数据科学系） ； Yale University（耶鲁大学） ； Department of EECS, Department of Statistics（电子工程与计算机科学系、统计学系） ； University of California Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出CLUB算法，通过缓冲期和LSVI-UCB扩展，解决多阶段拍卖中保留价优化的三个挑战，实现不同噪声条件下收入遗憾的最优控制。

A Variational Estimator for $L_p$ Calibration Errors

$L_p$校准误差的变分估计器

Eugène Berta, Sacha Braun, David Holzmüller, Francis Bach, Michael I. Jordan

机构 * INRIA ； Ecole Normale Supérieure, PSL Research University（巴黎高等师范学院，PSL研究大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出了一种基于变分框架的$L_p$校准误差估计方法，能够区分过高和过低自信，并避免过估计，通过实验验证其有效性。

The Sample Complexity of Online Reinforcement Learning: A Multi-model Perspective

在线强化学习的样本复杂性：多模型视角

Michael Muehlebach, Zhiyu He, Michael I. Jordan

AI总结 本文从多模型视角探讨在线强化学习的样本复杂性，提出算法在不同动态系统中实现策略后悔的理论界，适用于非回合设定下的非线性动力系统。

Comments accepted at ICLR 2026; 37 pages, 6 figures

Stopping Rules for Stochastic Gradient Descent via Anytime-Valid Confidence Sequences

通过任意时间有效置信序列实现随机梯度下降的停止规则

Liviu Aolaritei, Michael I. Jordan

AI总结 本文提出了一种基于任意时间有效置信序列的SGD停止规则，适用于凸和非凸优化问题，提供统计上有效的停止条件。

Towards Anytime-Valid Statistical Watermarking

面向随时验证的统计水印技术

Baihe Huang, Eric Xu, Kannan Ramchandran, Jiantao Jiao, Michael I. Jordan

机构 * Department of XXX, University of YYY, Location, Country（YYY大学XXX系） ； School of ZZZ, Institute of WWW, Location, Country（WWW研究所ZZZ学院） 纠错

AI总结 本文提出Anchored E-Watermarking框架，通过构建测试超级鞅实现随时验证的统计水印技术，提升样本效率13-15%。

Signaling in Data Markets via Free Samples

通过免费样本在数据市场中进行信号传递

Nivasini Ananthakrishnan, Alireza Fallah, Michael I. Jordan

AI总结 本文研究了数据市场中通过免费样本进行信号传递的机制，分析了多阶段游戏中卖家的信号策略和买家的采购拍卖机制。

Locally Adaptive Multi-Objective Learning

局部自适应多目标学习

Jivat Neet Kaur, Isaac Gibbs, Michael I. Jordan

机构 * University of California, Berkeley（加州大学伯克利分校） ； Inria（法国国家信息与自动化研究所） 纠错

AI总结 本文提出一种局部自适应多目标学习方法，通过替换部分算法提升预测的公平性和鲁棒性。

Comments Code is available at https://github.com/jivatneet/adaptive-multiobjective

The Statistical Fairness-Accuracy Frontier

统计公平性-准确率前沿

Alireza Fallah, Michael I. Jordan, Annie Ulichney

AI总结 本文研究了在有限样本情况下，如何通过最优样本分配策略和估计器设计，近似公平性-准确率前沿并量化其可靠性。

How Sampling Shapes LLM Alignment: From One-Shot Optima to Iterative Dynamics

采样如何塑造大语言模型对齐：从单次最优到迭代动态

Yurong Chen, Yu He, Michael I. Jordan, Fan Yao

机构 * Inria（法国国家信息与自动化研究所） ； École Normale Supérieure（巴黎高等师范学校） ； PSL Research University（巴黎综合理工研究所） ； Northwestern University（西北大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 研究探讨了采样对大语言模型对齐的影响，发现适当采样可提升排序保证，而偏向采样可能导致集中问题，并分析了迭代动态中的稳定性问题。

Backward Conformal Prediction

反向符合预测

Etienne Gauthier, Francis Bach, Michael I. Jordan

机构 * INRIA-ENS-PSL Paris（法国国家信息与自动化研究所-巴黎综合理工学院-巴黎理工学院） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 反向符合预测通过约束预测集大小行为并调整覆盖率水平，提供灵活的可计算覆盖率保证，适用于医疗诊断等大预测集不现实的应用场景。

Comments Code available at: https://github.com/GauthierE/backward-cp

Stochastic Optimization with Optimal Importance Sampling

具有最优重要性采样的随机优化

Liviu Aolaritei, Bart P. G. Van Parys, Henry Lam, Michael I. Jordan

机构 * University of California, Berkeley（加州大学伯克利分校） ； CWI（荷兰信息与计算科学研究所） ； Columbia University（哥伦比亚大学） ； Inria（法国国家信息与自动化技术研究院） 纠错

AI总结 本文提出了一种单循环随机逼近算法，用于解决随机优化中决策变量与重要性采样分布相互依赖的问题，实现了全局收敛和最小渐近方差。

Generalization or Hallucination? Understanding Out-of-Context Reasoning in Transformers

泛化还是幻觉？理解Transformer中的上下文推理

Yixiao Huang, Hanlin Zhu, Tianyu Guo, Jiantao Jiao, Somayeh Sojoudi, Michael I. Jordan, Stuart Russell, Song Mei

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了Transformer中上下文推理机制，揭示其驱动泛化与幻觉的双重性，并通过理论分析与实验验证了矩阵因子化在其中的关键作用。

Comments NeurIPS 2025, first three authors contributed equally

On Nonasymptotic Confidence Intervals for Treatment Effects in Randomized Experiments

关于随机实验中处理效应非渐近置信区间的研究

Ricardo J. Sandoval, Sivaraman Balakrishnan, Avi Feller, Michael I. Jordan, Ian Waudby-Smith

AI总结 本文提出了一种在随机实验中实现与渐近置信区间相同有效样本量的非渐近置信区间方法，且其速率在信息论上不可改进。

A Control-Theoretic Perspective on Optimal High-Order Optimization

从控制论角度探讨最优高阶优化

Tianyi Lin, Michael. I. Jordan

AI总结 本文从控制论角度提出最优高阶优化算法，通过闭环控制系统和反馈控制律设计，实现高阶张量算法的收敛性分析和优化性能提升。

Comments Accepted by Mathematical Programming Series A; 45 pages

A Collectivist, Economic Perspective on AI

集体主义与经济视角下的人工智能

Michael I. Jordan

机构 * Inria Paris（巴黎研究所） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文从集体主义和经济视角出发，提出融合社会和经济概念的算法设计方法，以更全面地理解和应对人工智能技术的社会影响。

On Three-Layer Data Markets

Alireza Fallah, Michael I. Jordan, Ali Makhdoumi, Azarakhsh Malekian

Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation

Yang Cai, Michael I. Jordan, Tianyi Lin, Argyris Oikonomou, Emmanouil-Vasileios Vlatakis-Gkaragkounis

机构 * Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Department of Electrical Engineering and Computer Sciences, UC Berkeley（加州大学伯克利分校电气工程与计算机科学系） ； Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系） ； Department of Computer Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） 纠错

Comments 28 pages; 12 figures

Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data

Xuelin Yang, Licong Lin, Susan Athey, Michael I. Jordan, Guido W. Imbens

Comments 83 pages, 11 figures

Scalable Utility-Aware Multiclass Calibration

Mahmoud Hegazy, Michael I. Jordan, Aymeric Dieuleveut

机构 * CMAP, École polytechnique, IP Paris, France（巴黎理工学院计算机科学院） ； Inria Paris, France（法国巴黎研究所） ； EECS, UC Berkeley, USA（美国伯克利大学电子工程与计算机科学系） 纠错

Online Decision-Making in Tree-Like Multi-Agent Games with Transfers

Antoine Scheid, Etienne Boursier, Alain Durmus, Eric Moulines, Michael I. Jordan

Marketplace Operators Can Induce Competitive Pricing

Tiffany Ding, Dominique Perrault-Joncas, Orit Ronen, Michael I. Jordan, Dirk Bergemann, Dean Foster, Omer Gottesman

Transfer Q-learning

Elynn Chen, Sai Li, Michael I. Jordan

机构 * Stern School of Business, New York University, NY, USA（纽约大学斯特恩商学院） ； Department of Statistics, Renmin University, Beijing, China（中国人民大学统计学系） ； Department of EECS, University of California, Berkeley, CA, USA（加州大学伯克利分校电子工程与计算机科学系） 纠错

Journal ref The Electronic Journal of Statistics, 2025

Understanding In-context Learning of Addition via Activation Subspaces

Xinyan Hu, Kayo Yin, Michael I. Jordan, Jacob Steinhardt, Lijie Chen

机构 * UC Berkeley（伯克利大学） ； INRIA（法国国家信息与自动化研究所） 纠错

Prediction-Aware Learning in Multi-Agent Systems

Aymeric Capitaine, Etienne Boursier, Eric Moulines, Michael I. Jordan, Alain Durmus

A General Framework for Estimating Preferences Using Response Time Data

Federico Echenique, Alireza Fallah, Michael I. Jordan

机构 * Department of Economics, University of California, Berkeley（加州大学伯克利分校经济学系） ； Department of Computer Science, Rice University（里德大学计算机科学系） ； Departments of Electrical Engineering and Computer Sciences and Statistics, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学及统计学系；巴黎Inria） ； Inria Paris 纠错

QuTE: decentralized multiple testing on sensor networks with false discovery rate control

Aaditya Ramdas, Jianbo Chen, Martin J. Wainwright, Michael I. Jordan

机构 * Carnegie Mellon University（卡内基梅隆大学） ； UC Berkeley（伯克利大学） 纠错

Comments This paper appeared in the IEEE CDC'17 conference proceedings. The last two sections were then developed in 2018, and it is now being put on arXiv simply for easier access. The latest version fixed some figures

Revisiting mean estimation over $\ell_p$ balls: Is the MLE optimal?

Liviu Aolaritei, Michael I. Jordan, Reese Pathak, Annie Ulichney

Comments 43 pages, 3 figures

Valid Selection among Conformal Sets

Mahmoud Hegazy, Liviu Aolaritei, Michael I. Jordan, Aymeric Dieuleveut

机构 * CMAP, École polytechnique, Institut Polytechnique de Paris, France（应用数学与计算科学实验室，巴黎高等理工学院，巴黎理工学院） ； Inria, École Normale Supérieure, PSL Research University（法国国家科学研究中心，巴黎高等师范大学，巴黎科学实验室） ； Department of Electrical Engineering and Computer Sciences, UC Berkeley, USA（电气工程与计算机科学系，伯克利大学，美国） 纠错