Symbolic Regression via Latent Iterative Refinement
通过潜在迭代细化的符号回归
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出潜在方程嵌入（LEE）框架，通过迭代推断在功能基础化的潜在空间中缩小符号回归的推断差距，生成更简单且准确的表达式。
Comments Preprint. 21 pages, 11 figures
高校专区
Georgia Institute of Technology（佐治亚理工学院）
On the Error-Correcting Effects of Stochasticity in Discrete Diffusion
离散扩散中随机性的纠错效应
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文系统研究离散扩散模型中马尔可夫转移随机性程度对采样效率与质量的权衡，提出离散搅动与重启采样（DCRS）算法，通过交替正向和反向扩散过程注入受控随机性，在低函数评估次数下改善速度-质量权衡。
Semigroup Consistency as a Diagnostic for Learned Physics Simulators
半群一致性作为学习型物理模拟器的诊断工具
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出归一化半群误差作为评估学习型物理模拟器时间组合和长程推演一致性的诊断指标，在热传导和Burgers动力学实验中验证其与推演退化正相关。
Comments 10 pages, 3 figures, 3 tables. Accepted to the AI4Physics Workshop at the 43rd International Conference on Machine Learning
Reliability and Effectiveness of Autonomous AI Agents in Supply Chain Management
自主AI代理在供应链管理中的可靠性与有效性
机构 * Harvard University（哈佛大学） ； MIT/Purdue（麻省理工学院/普渡大学） ； MIT（麻省理工学院） ； Harvard University/Kempner Institute（哈佛大学/凯普勒研究所） ； Georgia Tech（佐治亚理工学院）
AI总结 本文通过MIT啤酒游戏研究多级供应链中的自主生成式AI代理，发现模型能力是性能主导因素，但平均性能掩盖可靠性风险，并引入代理牛鞭效应，提出基于GRPO的后训练框架以提高可靠性。
Position: The Hidden Costs and Measurement Gaps of Reinforcement Learning with Verifiable Rewards
立场：具有可验证奖励的强化学习的隐藏成本与测量缺口
机构 * Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； The University of Tokyo（东京大学） ； RIKEN AIP（理化学研究所AIP） ； Waseda University（早稻田大学） ； Georgia Tech（佐治亚理工学院） ； Northwestern University（西北大学） ； UCLA（加州大学洛杉矶分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Yale University（耶鲁大学） ； University of Waterloo（滑铁卢大学） ； Independent Researcher（独立研究者） ； CUHK（香港中文大学） ； UT Southwestern Medical Center（西南医学中心） ； National University of Singapore（新加坡国立大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Amazon AWS AI（亚马逊AWS人工智能）
AI总结 本文指出，具有可验证奖励的强化学习（RLVR）在提升大语言模型性能时，常因预算不匹配、尝试膨胀和基准数据污染等混淆因素导致收益被高估，并提出了预算匹配饱和曲线、校准跟踪、法官鲁棒性测试和污染筛查等最低标准。
Robust Classification of High-Dimensional Data using Data-Adaptive Energy Distance
使用数据自适应能量距离的高维数据鲁棒分类
机构 * Indian Statistical Institute , Kolkata, India（印度统计研究所，加尔各答，印度） ； School of Industrial and Systems Engineering, Georgia Institute of Technology , Atlanta, USA（工业与系统工程学院，佐治亚理工学院，美国亚特兰大） ； Computer, Electrical and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology , Saudi Arabia（计算机、电子和数学科学与工程系，国王阿卜杜勒·阿齐兹大学科学与技术学院，沙特阿拉伯） ； Applied Statistics Unit, Indian Statistical Institute , Kolkata, India（应用统计部，印度统计研究所，加尔各答，印度） ； Department of Mathematics and Statistics, Indian Institute of Technology Kanpur , India（数学与统计系，印度理工学院坎普尔分校，印度）
AI总结 针对高维低样本量数据，提出无调参、无矩条件的鲁棒分类器，在渐近条件下实现完美分类，并通过模拟和真实数据验证其优势。
Comments Published at the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD), 2023
Journal ref In: ECML PKDD 2023: Research Track. Lecture Notes in Computer Science, vol 14173. Springer, Cham (2023)
Neural Scaling Laws of Deep ReLU and Deep Operator Network: A Theoretical Study
深度ReLU和深度算子网络的神经缩放定律：一项理论研究
机构 * Department of Mathematics, Hong Kong Baptist University（香港 Baptist 大学数学系） ； Department of ACMS, University of Notre Dame（Notre Dame 大学ACMS系） ； School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学系） ； Department of Mathematics, UCLA（加州大学洛杉矶分校数学系）
AI总结 本文通过分析深度算子网络的逼近误差和泛化误差，建立了量化神经缩放定律的理论框架，揭示了网络模型大小和训练数据大小与误差之间的关系，并推广到深度ReLU网络。
