The Detection-Extraction Gap: Models Know the Answer Before They Can Say It
检测-提取间隙：模型在能说出答案前就已经知道答案
机构 * The University of Chicago（芝加哥大学） ； Imperial College London（伦敦帝国学院）
AI总结 研究发现模型在确定答案后仍生成大量内容，揭示了检测与提取之间的结构性差距，并提出BAEE方法通过利用自由延续提高准确率。
高校专区
Imperial College London（帝国理工学院）
Bias Redistribution in Visual Machine Unlearning: Does Forgetting One Group Harm Another?
视觉机器遗忘中的偏见再分配：遗忘一组是否损害另一组？
机构 * NewraLab ； Beihang University（北京航空航天大学） ； GoerTek Alpha Lab（歌尔Alpha实验室） ； Skyline University Nigeria（尼日利亚天际线大学） ； UESTC（电子科技大学） ； Imperial College London（帝国理工学院）
AI总结 研究通过CLIP模型在CelebA数据集上探讨机器遗忘对偏见的再分配影响，发现遗忘某一性别群体会将偏见转移至相关群体，揭示嵌入空间中的性别主导结构。
Automating aggregation strategy selection in federated learning
在联邦学习中自动化聚合策略选择
机构 * Imperial College London（伦敦帝国理工学院） ； OctaiPipe
AI总结 本文提出一个端到端框架，通过单次试验和多次试验模式自动化联邦学习的聚合策略选择，提升非iid条件下的鲁棒性和泛化能力，减少人工干预。
Evaluating Counterfactual Explanation Methods on Incomplete Inputs
对不完整输入的反事实解释方法进行评估
机构 * Department of Computing, Imperial College London（伦敦帝国理工学院计算系） ； TU Dortmund University（多特蒙德工业大学） ； Center for Trustworthy Data Science and Security, University Alliance Ruhr（鲁尔大学联盟可信数据科学与安全中心）
AI总结 本文评估了在输入不完整时反事实解释方法的有效性，发现鲁棒方法虽更有效，但所有方法均难以生成有效反事实，需开发新方法应对不完整输入。
