Massachusetts Institute of Technology（麻省理工学院）

The Stochastic Gap: A Markovian Framework for Pre-Deployment Reliability and Oversight-Cost Auditing in Agentic Artificial Intelligence

随机空隙：一种马尔可夫框架，用于代理人工智能的预部署可靠性和监督成本审计

Biplab Pal, Santanu Bhattacharya

机构 * CARDS (Center for Real-Time Distributed Sensing and Autonomy), University of Maryland Baltimore County, Baltimore, MD, USA（实时分布式传感与自主性中心，马里兰大学巴尔的摩县） ； Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院） 纠错

AI总结 本文提出一种马尔可夫框架，用于评估代理人工智能在部署前的可靠性及监督成本审计，通过分析业务流程日志，展示了如何通过扩展状态空间来提高决策的统计支持度和经济可控性。

Comments 22 pages, 5 figures, submitted to Engineering Applications of Artificial Intelligence

CoordLight: Learning Decentralized Coordination for Network-Wide Traffic Signal Control

CoordLight: 为网络级交通信号控制学习去中心化协调

Yifeng Zhang, Harsh Goel, Peizhuo Li, Mehul Damani, Sandeep Chinchali, Guillaume Sartoretti

机构 * Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； Chandra Department of Electrical and Computer Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校电子与计算机工程系） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电子工程与计算机科学系） 纠错

AI总结 本文提出CoordLight框架，通过改进单个交叉口决策和与邻近代理的协调，提升网络级交通优化。引入Queue Dynamic State Encoding和Neighbor-aware Policy Optimization算法，实现更高效的交通信号控制。

Comments \c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works

Learning-guided Prioritized Planning for Lifelong Multi-Agent Path Finding in Warehouse Automation

基于学习的优先规划在仓库自动化中的终身多智能体路径寻找

Han Zheng, Yining Ma, Brandon Araki, Jingkai Chen, Cathy Wu

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出RL-RH-PP框架，结合强化学习与搜索规划，提升仓库自动化中多智能体路径寻找的效率与适应性。

Journal ref Journal of Artificial Intelligence Research, Vol. 85, Article 28. Publication date: March 2026

Perturbing the Derivative: Doubly Wild Refitting for Model-Free Evaluation of Opaque Machine Learning Predictors

扰动导数：双倍野性重拟合用于无模型评估模糊机器学习预测器

Haichen Hu, David Simchi-Levi

机构 * Center for Computational Science and Engineering, MIT（计算科学与工程中心，麻省理工学院） ； Institute for Data, Systems, and Society, MIT（数据、系统与社会研究所，麻省理工学院） ； Department of Civil and Environmental Engineering, MIT（土木与环境工程系，麻省理工学院） 纠错

AI总结 本文研究了经验风险最小化在凸损失下的超额风险评估问题，通过野性重拟合思想，利用扰动导数生成伪标签，提出无需了解基础函数类复杂度的无模型方法，用于评估现代模糊深度神经网络和生成模型的理论性能。

Uncertainty Makes It Stable: Curiosity-Driven Quantized Mixture-of-Experts

不确定性使其稳定：基于好奇心的量化专家混合框架

Sebastián Andrés Cajas Ordóñez, Luis Fernando Torres Torres, Mackenzie J. Meni, Carlos Andrés Duran Paredes, Eric Arazo, Cristian Bosch, Ricardo Simon Carbajo, Yuan Lai, Leo Anthony Celi

机构 * MIT Critical Data（MIT关键数据） ； Université de Rennes（里昂大学） ； Technetium Engineering（Technetium工程） ； Institución Universitaria Colegio Mayor del Cauca（科瓦卡大学学院） ； CeADAR - Ireland’s Centre for AI（爱尔兰人工智能中心） ； University College Dublin（都柏林大学） ； Tsinghua University（清华大学） ； Beth Israel Deaconess Medical Center（贝瑟尔以色列德acons医院） ； Harvard T.H. Chan School of Public Health（哈佛T.H.陈公共卫生学院） 纠错

AI总结 本文提出基于好奇心驱动的量化专家混合框架，通过贝叶斯知识不确定性路由提升模型在资源受限设备上的精度与推理延迟稳定性，实验证明其在音频分类任务中具有更高的准确率和更低的能耗。

Coded Computing for Resilient Distributed Computing: A Learning-Theoretic Framework

编码计算用于鲁棒分布式计算：一种学习理论框架

Parsa Moradi, Behrooz Tahmasebi, Mohammad Ali Maddah-Ali

机构 * University of Minnesota（明尼苏达大学） ； MIT（麻省理工学院） ； CSAIL（计算机科学与人工智能实验室） 纠错

AI总结 本文提出一种结合学习理论的编码计算框架，通过优化编码解码函数减少均方误差，提升机器学习任务的鲁棒性和收敛速度。

Comments 35 pages, 7 figures

Journal ref 38th Conference on Neural Information Processing Systems (NeurIPS 2024)