Cisco（思科）

Two Ways to De-Bias an LLM-as-a-Judge: A Continuous-Score Comparison of Hierarchical Bayesian Calibration and Neural-ODE Score Transport

用LLM作为裁判的两种去偏方法：对分层贝叶斯校准和神经ODE分数传输的连续分数比较

Andrea Morandi

机构 * Cisco（思科） 纠错

AI总结 本文比较了两种校正方法以减少LLM作为裁判的偏见，发现数据预算决定了方法选择，两种方法在不同锚点数量下表现各异。

Predicting Plasticity in Deep Continual Learning: A Theoretical Perspective

深度持续学习中塑性的预测：一种理论视角

Jiuqi Wang, Jayanth Srinivasa, Claire Chen, Shuze Daniel Liu, Ali Payani, Shangtong Zhang

机构 * University of Virginia（弗吉尼亚大学） ； Cisco Research（思科研究） ； California Institute of Technology（加州技术研究院） ； Purdue University（普渡大学） 纠错

AI总结 本文从理论角度探讨深度持续学习中塑性预测问题，提出新的度量标准优化准备度，证明其在回归和分类任务中能更可靠地预测可训练性。

Comments 21 pages, 4 figures, 2 tables

LogitTrace: Detecting Benchmark Contamination via Layerwise Logit Trajectories

LogitTrace：通过层间logit轨迹检测基准污染

Zirui He, Haiyan Zhao, Yingcong Li, Ali Payani, Mengnan du

机构 * New Jersey Institute of Technology（新泽西理工学院） ； Cisco Research（思科研究） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 本文提出LogitTrace框架，通过分析中间logit轨迹检测记忆化决策动态，发现污染样本更早承诺，而干净样本证据积累更渐进，帮助区分污染与干净样本。

Comments 23pages, 10 figures, 9tables