Massachusetts Institute of Technology（麻省理工学院）

On the Accuracy of Newton Step and Influence Function Data Attributions

关于牛顿步和影响函数数据归因的准确性

Ittai Rubinstein, Samuel B. Hopkins

机构 * EECS, MIT, Cambridge, MA（麻省理工学院电子工程与计算机科学系，剑桥，马萨诸塞州） 纠错

AI总结 本文研究了牛顿步和影响函数数据归因方法的准确性，推导出误差缩放规律，揭示了NS方法在特定条件下更准确的原因。

BlendedNet++: A dataset and benchmark for field-resolved aerodynamics and inverse design of blended wing body aircraft

BlendedNet++：一种用于混合翼身融合飞机场解气动学和逆设计的数据集和基准

Nicholas Sung, Steven Spreizer, Mohamed Elrefaie, Matthew C. Jones, Faez Ahmed

机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT Lincoln Laboratory（麻省理工学院林肯实验室） 纠错

AI总结 本文提出BlendedNet++数据集，包含12492种独特的BWB几何体，通过RANS模拟提供集成力和密集表面场，利用几何深度学习模型实现实时气动预测和生成性逆设计，验证了Transolver在场预测中的准确性。

Interpretable epistemic uncertainty decomposition in sequential generative models via polynomial chaos surrogates

通过多项式混沌代理实现序列生成模型中可解释的epistemic不确定性分解

Ramón Nartallo-Kaluarachchi, Shashanka Ubaru, Małgorzata J Zimoń, Dongsung Huh, Robert Manson-Sawko, Lior Horesh, Yoshua Bengio

机构 * Mathematical Institute, University of Oxford, United Kingdom（牛津大学数学研究所，英国） ； IBM Research, Thomas J. Watson Research Center, USA（IBM研究院，托马斯·J·沃森研究中心，美国） ； IBM Research Europe, Daresbury, United Kingdom（IBM欧洲研究院，达尔斯伯里，英国） ； MIT–IBM Watson AI Lab, Massachusetts, USA（麻省理工–IBM沃森人工智能实验室，马萨诸塞州，美国） ； Université de Montréal, Mila–Quebec AI Institute, Montreal, Quebec, Canada（蒙特利尔大学，魁北克人工智能研究所，蒙特利尔，魁北克，加拿大） 纠错

AI总结 本文提出通过多项式混沌展开分析序列生成模型中epistemic不确定性的来源，揭示奖励组件对生成决策的影响，优于深度集合、贝叶斯神经网络等方法，且在多个真实任务中展现高效性和鲁棒性。

Comments 37 pages, 15 figures

Online Resource Allocation with Convex-set Machine-Learned Advice

在线资源分配与凸集机器学习建议

Negin Golrezaei, Patrick Jaillet, Zijie Zhou

机构 * Sloan School of Management, Massachusetts Institute of Technology（麻省理工学院斯隆管理学院） ； Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系） ； Department of Industrial Engineering and Decision Analytics, Hong Kong University of Science and Technology（香港科学与技术大学工业工程与决策分析系） 纠错

AI总结 本文提出一种在线资源分配框架，结合凸集机器学习建议，平衡一致性与鲁棒性，通过动态保护水平提升在不确定环境下的性能。

Comments 77 pages, 8 figures

Cleansing Jewel: A Neural Spelling Correction Model Built On Google OCR-ed Tibetan Manuscripts

清除珠宝：基于谷歌OCR的藏文手稿的神经拼写纠正模型

Queenie Luo, Yung-Sung Chuang

机构 * Harvard University（哈佛大学） ； Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）） 纠错

AI总结 本文提出基于谷歌OCR的藏文手稿的神经拼写纠正模型，通过改进的Transformer架构实现自动纠正OCR噪声输出，实验表明其优于其他序列模型。

Journal ref Association for Computing Machinery 2024