Harvard University（哈佛大学）

Multitask Learning with Stochastic Interpolants

具有随机插值的多任务学习

Hugo Negrel, Florentin Coeurdoux, Michael S. Albergo, Eric Vanden-Eijnden

机构 * Capital Fund Management（资本基金管理公司） ； Society of Fellows, Harvard University（哈佛大学 fellows 会） ； Machine Learning Lab（机器学习实验室） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所） 纠错

AI总结 本文提出了一种基于算子的随机插值框架，用于构建能够完成多种任务的多功能生成模型，展示了其在多任务学习中的有效性。

EmoGRACE: Aspect-based emotion analysis for social media data

EmoGRACE：面向社交媒体数据的基于方面的情感分析

Christina Zorenböhmer, Sebastian Schmidt, Bernd Resch

机构 * Department of Geoinformatics - Z_GIS（地理信息学系 - Z_GIS） ； University of Salzburg（萨尔茨堡大学） ； Geosocial Artificial Intelligence（地理社交人工智能） ； Interdisciplinary Transformation University（跨学科转型大学） ； Center for Geographic Analysis（地理分析中心） ； Harvard University（哈佛大学） 纠错

AI总结 EmoGRACE通过生成首个ABEA训练数据集并微调BERT模型，提升了社交媒体数据的方面情感分析性能。

Fairness for Workers Who Pull the Arms: An Index Based Policy for Allocation of Restless Bandit Tasks

为拉臂的工人公平性：一种基于指数的分配 restless 带机任务政策

Arpita Biswas, Jackson A. Killian, Paula Rodriguez Diaz, Susobhan Ghosh, Milind Tambe

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出了一种基于指数的分配策略，用于在资源受限条件下公平分配异质工人的 restless 带机任务，以提高干预计划的公平性和效率。

Comments 22nd International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2023), 10 pages

Interleaved Head Attention

交错头部注意力

Sai Surya Duvvuri, Chanakya Ekbote, Rachit Bansal, Rishabh Tiwari, Devvrit Khatri, David Brandfonbrener, Paul Liang, Inderjit Dhillon, Manzil Zaheer

机构 * Meta ； UT Austin（德克萨斯大学） ； UC Berkeley（伯克利大学） ； Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

AI总结 交错头部注意力通过构造伪头实现跨头混合，提升多步推理效率，在多项式任务和顺序敏感任务中参数效率提高，实测在RULER和OpenThoughts上取得显著提升。

Equitable Evaluation via Elicitation

通过 elicitation 实现公平评估

Elbert Du, Cynthia Dwork, Lunjia Hu, Reid McIlroy-Young, Han Shao, Linjun Zhang

机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） ； University of Maryland（马里兰大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 本文提出了一种交互式AI系统，通过elicitation准确评估技能并减少自我报告偏见，提升公平性。

Comments 27 pages, 3 figures, 2 tables

Robust AI Evaluation through Maximal Lotteries

通过最大彩票实现稳健的AI评估

Hadi Khalaf, Serena L. Wang, Daniel Halpern, Itai Shapira, Flavio du Pin Calmon, Ariel D. Procaccia

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出稳健彩票方法，通过优化最坏性能来提升AI评估的鲁棒性，提供更可靠的胜率保证和稳定的高表现模型集合。

Slm-mux: Orchestrating small language models for reasoning

Slm-mux: 通过协调小型语言模型进行推理

Chenyu Wang, Zishen Wan, Hao Kang, Emma Chen, Zhiqiang Xie, Tushar Krishna, Vijay Janapa Reddi, Yilun Du

机构 * Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 SLM-MUX通过协调多个小型语言模型提升推理准确性，实现比单个模型更高的性能。

Incentive-Aligned Multi-Source LLM Summaries

对齐激励的多源大语言模型摘要

Yanchen Jiang, Zhe Feng, Aranyak Mehta

机构 * Harvard University（哈佛大学） ； Google Research（谷歌研究） 纠错

AI总结 本文提出TTS框架，通过激励对齐提升多源摘要的事实准确性与稳健性，同时保持流畅性。

Comments Accepted at ICLR 2026