University of Cambridge（剑桥大学）

2608.17731 2026-08-19 cs.AI 新提交

Evaluating the Diversity of AI-Generated Content with Diversity Profiles

用多样性轮廓评估AI生成内容的多样性

Xiuyuan Hu, Xuege Hou, Guoqing Liu, Yang Zhao, Jieran Li, Dongbiao Sun, José Miguel Hernández-Lobato, Hao Zhang, Xue Liu

机构 * Tsinghua University（清华大学）； MBZUAI（穆罕默德·本·扎耶德人工智能大学）； Microsoft Research（微软研究院）； University of Cambridge（剑桥大学）； McGill University（麦吉尔大学）

AI总结针对现有AI生成内容多样性评估标量指标的矛盾性与局限性，提出曲线值的多样性轮廓框架，为生成式AI评估提供更透明、感知分辨率的多样性比较方案。

2606.12289 2026-08-19 cs.LG cs.AI cs.NE 版本更新

The Standard Interpretable Model: A general theory of interpretable machine learning to deductively design interpretable methods using Lagrangian mechanics

标准可解释模型：一种基于拉格朗日力学的可解释机器学习通用理论，用于演绎设计可解释方法

Pietro Barbiero, Giovanni De Felice, Mateo Espinosa Zarlenga, Francesco Giannini, Filippo Bonchi, Mateja Jamnik, Giuseppe Marra, Ruggero Noris

机构 * IBM Research (CH)（IBM研究院（瑞士））； University of Oxford (UK)（牛津大学（英国））； University of Cambridge (UK)（剑桥大学（英国））； KU Leuven (BE)（鲁汶大学（比利时））； Institute of Physics of the Czech Academy of Sciences (CZ)（捷克科学院物理研究所（捷克））

AI总结提出标准可解释模型（SIM），基于拉格朗日力学从前提演绎出可解释性对称性和约束，通过最小化拉格朗日函数得到最优可解释模型，解决现有方法局限性并指导新方法设计。