EPFL（洛桑联邦理工学院）

Reasoning-Driven Synthetic Data Generation and Evaluation

基于推理的合成数据生成与评估

Tim R. Davidson, Benoit Seguin, Enrico Bacis, Cesar Ilharco, Hamza Harkous

机构 * EPFL（瑞士联邦理工学院洛桑） ； Google（谷歌） ； Google Deepmind（谷歌DeepMind） 纠错

AI总结 本文提出Simula框架，通过无种子、代理化方法生成大规模合成数据，提供可解释且可控的生成流程，验证了其在多种数据集上的有效性，为合成数据机制设计和大规模生成评估提供指导。

Comments Accepted to TMLR 2026, J2C Certification

REFINE: Real-world Exploration of Interactive Feedback and Student Behaviour

REFINE：现实世界中交互反馈与学生行为的探索

Fares Fawzi, Seyed Parsa Neshaei, Marta Knezevic, Tanya Nazaretsky, Tanja Käser

机构 * EPFL（瑞士联邦理工学院洛桑） 纠错

AI总结 本文提出REFINE系统，通过多智能体反馈机制实现高效互动反馈，提升学生参与度与反馈质量。

Comments Accepted to AIED 2026

Economics of Human and AI Collaboration: When is Partial Automation More Attractive than Full Automation?

人力与AI协作的经济学：部分自动化何时比完全自动化更具吸引力？

Wensu Li, Atin Aboutorabi, Harry Lyu, Kaizhi Qian, Martin Fleming, Brian C. Goehring, Neil Thompson

机构 * Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； IBM Research（IBM研究院） ； IBM’s Institute for Business Value（IBM商业价值研究院） 纠错

AI总结 本文构建了评估任务自动化最优程度的统一框架，通过连续选择而非二元决策，分析企业在AI准确性水平上的成本最小化选择，揭示部分自动化在人力保留任务下的经济优势。

Byzantine-Robust and Communication-Efficient Distributed Training: Compressive and Cyclic Gradient Coding

具有容错性和通信效率的分布式训练：压缩和循环梯度编码

Chengxi Li, Youssef Allouah, Rachid Guerraoui, Mikael Skoglund, Ming Xiao

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Stanford University（斯坦福大学） ； Swiss Federal Institute of Technology in Lausanne (EPFL)（洛桑联邦理工学院） 纠错

AI总结 本文提出LAD方法，通过循环梯度编码提升分布式训练在拜占庭攻击下的鲁棒性，并引入Com-LAD进一步降低通信开销。