Massachusetts Institute of Technology（麻省理工学院）

Responsible Personalisation: The Double-Edged Sword of Personalisation in Human-Robot Interaction

负责任的个性化：人机交互中个性化的双刃剑

Antonio Andriella, Jauwairia Nasir, Andrea Rezzani, Alyssa Kubota, Dimitri Lacroix, Tamlin Love, Aniol Civit, Vicky Charisi, Elisabeth Andre, Wing-Yue Geoffrey Louie

机构 * Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（工业机器人与信息学研究所（西班牙国家研究委员会-加泰罗尼亚理工大学）） ； Universität Augsburg（奥格斯堡大学） ； Free University of Bozen-Bolzano（博尔扎诺自由大学） ； San Francisco State University（旧金山州立大学） ； Nantes Université, Univ Angers, Laboratoire de psychologie des Pays de la Loire, LPPL UR 4638（南特大学、昂热大学、卢瓦尔河地区心理学实验室（编号4638）） ； Bielefeld University, Center for Cognitive Interaction Technology (CITEC)（比勒费尔德大学、认知交互技术中心） ； Singapore-MIT Alliance for Research and Technology Singapore Centre for Collective Intelligence, MIT（新加坡-麻省理工学院科研与技术联盟、新加坡集体智能中心、麻省理工学院） ； Oakland University（奥克兰大学） 纠错

AI总结 研究人机交互中个性化的双刃剑问题，提出基于生命周期和上下文敏感的框架，结合个性化过程阶段与交互特征，综合分析关键伦理风险，转化为设计建议并概述挑战，为个性化机器人行为提供伦理基础。

Comments 36 pages, 3 figures

Strategic Bargaining in Multi-Buyer Markets: Reinforcement Learning from Verifiable Rewards for LLM Negotiations

多买家市场中的战略谈判：基于可验证奖励的强化学习用于大语言模型谈判

Shuze Daniel Liu, Claire Chen, Jiabao Sean Xiao, Xin Chen, David Simchi-Levi

机构 * Institute for Data, Systems, and Society, Massachusetts Institute of Technology（数据、系统与社会研究所，麻省理工学院） ； Mitch Daniels School of Business, Purdue University（米奇·丹尼尔斯商学院，普渡大学） ； The Division of Physics, Mathematics and Astronomy, California Institute of Technology（物理、数学与天文学部，加州理工学院） ； Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. 米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院） ； Department of Civil and Environmental Engineering, Operations Research Center, Massachusetts Institute of Technology（土木与环境工程系、运筹学中心，麻省理工学院） 纠错

AI总结 研究多买家市场中卖家与买家的谈判，提出基于可验证奖励的强化学习方法，使卖家能平衡市场探索与剩余提取，实现多阶段战略演变，提升谈判技能，提取更高剩余，且策略可推广。

FourTune: Towards Fully 4-Bit Efficient Post-Training for Diffusion Models

FourTune：迈向扩散模型的全4位高效训练后优化

Bowen Xue, Zihan Min, Xingyang Li, Zhekai Zhang, Haocheng Xi, Lvmin Zhang, Maneesh Agrawala, Jun-Yan Zhu, Song Han, Yujun Lin, Muyang Li

机构 * Nunchux AI ； MIT（麻省理工学院） ； CMU（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 针对大型扩散模型训练后优化的挑战，提出FourTune框架，基于端到端W4A4G4范式，引入三分支混合管道、硬件高效量化等，在多任务中质量与全精度微调相当，在特定数据集上降低内存开销、提高训练吞吐量。

Whose fairness? Structural concentration in AI bias research

谁的公平性？人工智能偏见研究中的结构集中化

Abhash Shrestha, Subigya Gautam, Anu Sapkota, Sanju Tiwari, Tek Raj Chhetri

机构 * Center for Artificial Intelligence (AI) Research Nepal（人工智能研究尼泊尔中心） ； Sharda University（沙达大学） ； Shodhguru Innovation and Research Labs（Shodhguru创新与研究实验室） ； McGovern Institute for Brain Research（麦戈文脑科学研究院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究人工智能偏见研究中的结构集中化问题，通过分析692篇相关出版物，结合文献计量与语义聚类，发现研究活动由少数国家、机构和作者主导，低收入和中等收入国家缺席，担忧狭窄背景下的减轻方法难推广，还提供了交互式地图集。

Comments 27 pages, including 5 composite figures comprising 16 individual figures. Code is available at https://github.com/CAIRNepal/biasatlas, and the interactive atlas is available at https://biasatlas.cair-nepal.org

PatchOptic for Shared-State LLM Workflows with Projected Views and Verified Structured Updates

用于具有投影视图和经过验证的结构化更新的共享状态大语言模型工作流的PatchOptic

Zhaoyu Bai, Jiaqi Cai

机构 * Weizmann Institute of Science（魏茨曼科学研究所） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究共享状态大语言模型工作流问题，提出受光学启发的PatchOptic接口，通过投影读取和验证结构化补丁实现，经PatchBench评估，该设计能减少泄漏和成本，保持输出质量，阻止违规并拒绝受损补丁。

Comments 24 pages, 13 figures, including appendix

Distribution-free changepoint localization after sequential change detection

顺序变化检测后的无分布变化点定位

Aytijhya Saha, Aaditya Ramdas

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种无分布框架，在停止顺序变化检测程序后构建变化点的后检测置信集，无需任何分布假设，并保证了有限样本覆盖率和渐近有界期望大小。

EgoVerse: An Egocentric Human Dataset for Robot Learning from Around the World

EgoVerse：一个用于机器人学习的视点人类数据集

Ryan Punamiya, Simar Kareer, Zeyi Liu, Josh Citron, Ri-Zhao Qiu, Xiongyi Cai, Alexey Gavryushin, Jiaqi Chen, Davide Liconti, Lawrence Y. Zhu, Patcharapong Aphiwetsa, Baoyu Li, Aniketh Cheluva, Pranav Kuppili, Yangcen Liu, Dhruv Patel, Aidan Gao, Hye-Young Chung, Ryan Co, Renee Zbizika, Jeff Liu, Xiaomeng Xu, Haoyu Xiong, Geng Chen, Sebastiano Oliani, Wenkai Xuan, Chenyu Yang, Xi Wang, James Fort, Richard Newcombe, Josh Gao, Jason Chong, Garrett Matsuda, Aseem Doriwala, Marc Pollefeys, Robert Katzschmann, Xiaolong Wang, Shuran Song, Judy Hoffman, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of California San Diego（加州大学圣地亚哥分校） ； ETH Zürich（苏黎世联邦理工学院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Meta Reality Labs Research（Meta现实实验室） ； Mecka AI ； Scale AI 纠错

AI总结 EgoVerse通过统一的数据收集、处理和访问框架，提供丰富的人类操作行为数据，促进机器人学习，并通过大规模研究验证了人类数据与机器人学习目标的一致性对性能的影响。

Conformal Prediction Sets for Instance Segmentation

用于实例分割的共形预测集

Kerri Lu, Dan M. Kluger, Stephen Bates, Sherrie Wang

机构 * Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室） ； Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电子工程与计算机科学系） ； Department of Mechanical Engineering, MIT（麻省理工学院机械工程系） ； Institute for Data, Systems, and Society, MIT（麻省理工学院数据、系统与社会研究所） 纠错

AI总结 研究针对实例分割模型缺乏不确定性量化的问题，引入共形预测算法生成自适应置信集，应用于多领域实例分割，其预测集因查询难度而异且达目标覆盖率，优于基线，还提供不同保证版本，首次捕捉实例分割中的结构不确定性。