EPFL（洛桑联邦理工学院）

LAGO: A Local-Global Optimization Framework Combining Trust Region Methods and Bayesian Optimization

LAGO：一种结合信赖域方法和贝叶斯优化的局部-全局优化框架

Eliott Van Dieren, Tommaso Vanzan, Fabio Nobile

机构 * Institute of Mathematics EPFL（瑞士联邦理工学院数学研究所） ； Dipartimento di Scienze Matematiche Politecnico di Torino（都灵理工大学数学系） 纠错

AI总结 提出LAGO框架，通过自适应竞争机制耦合贝叶斯优化和基于梯度的信赖域局部细化，用于光滑且梯度可用的昂贵目标函数优化，在提议层面分离全局探索与局部细化。

Comments 21 pages, 12 figures

CoQuIR: A Comprehensive Benchmark for Code Quality-Aware Information Retrieval

CoQuIR：面向代码质量感知信息检索的综合基准

Jiahui Geng, Fengyu Cai, Shaobo Cui, Qing Li, Liangwei Chen, Chenyang Lyu, Haonan Li, Derui Zhu, Walter Pretschner, Heinz Koeppl, Fakhri Karray

机构 * Linköping University（林波伊大学） ； MBZUAI（麦肯锡人工智能研究院） ； TU Darmstadt（德累斯顿技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； EPFL（苏黎世联邦理工学院） ； University of Groningen（Groningen大学） ； Google Tokyo（东京Google） ； Alibaba Group（阿里巴巴集团） ； TU Munich（慕尼黑技术大学） 纠错

AI总结 提出首个大规模多语言代码质量感知检索基准CoQuIR，涵盖正确性、效率、安全性和可维护性四维度，通过细粒度标注和两个质量中心指标评估23个模型，发现顶尖模型常无法区分有缺陷代码，并探索了训练方法以提升质量感知能力。

The Utility and Complexity of in- and out-of-Distribution Machine Unlearning

分布内与分布外机器遗忘的效用与复杂性

Youssef Allouah, Joshua Kazdan, Rachid Guerraoui, Sanmi Koyejo

机构 * EPFL（瑞士联邦理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 本文分析近似机器遗忘的效用、时间和空间复杂度权衡，提出输出扰动的经验风险最小化实现分布内遗忘的紧致权衡，并针对分布外遗忘提出鲁棒噪声梯度下降变体以摊销时间复杂性。