Massachusetts Institute of Technology（麻省理工学院）

GradInf: Gradient Estimation as Probabilistic Inference

GradInf：作为概率推理的梯度估计

Gaurav Arya, Mathieu Huot, Moritz Schauer, Alexander K. Lew, Feras A. Saad

机构 * Carnegie Mellon University Pittsburgh USA ； Massachusetts Institute of Technology Cambridge USA ； Chalmers University of Technology \& University of Gothenburg Gothenburg Sweden ； Yale University New Haven USA ； Carnegie Mellon University ； Massachusetts Institute of Technology ； Chalmers University of Technology \& University of Gothenburg ； Yale University 纠错

AI总结 研究针对概率程序梯度估计难题，提出梯度推理新方法，通过形式规约将其转化为概率推理问题，借助耦合和因式分解操作设计梯度估计器，介绍GradInf系统，经案例研究验证其能表达并构建高性能梯度估计器。

Journal ref Proc. ACM Program. Lang. 10, PLDI, Article 243 (June 2026)

Training and Evaluating Diffusion Policies with Long Context Lengths

训练和评估具有长上下文长度的扩散策略

Abhinav Agarwal, Adam Wei, Taylan Kargin, Michael Zeng, Cole Becker, Arif Kerem Dayi, Pablo Parrilo, Asuman Ozdaglar, Russ Tedrake

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

AI总结 本文首次详细研究模仿学习中上下文长度的影响，发现简单扩展上下文长度并不脆弱，并提出联合训练多上下文长度策略的方法以降低样本复杂度。

Dropping Just a Handful of Preferences Can Change Top Large Language Model Rankings

丢弃少量偏好可以改变大型语言模型的排名

Jenny Y. Huang, Yunyi Shen, Dennis Wei, Tamara Broderick

机构 * 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） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； IBM Research（IBM研究院） 纠错

AI总结 研究通过评估LLM排名系统的鲁棒性，发现丢弃少量偏好数据可显著影响模型排名，揭示MT-bench偏好更稳定的原因。

Probability-Aware Parking Selection

考虑概率的停车选择

Cameron Hickert, Sirui Li, Zhengbing He, Cathy Wu

机构 * Laboratory for Information & Decision Systems and the Institute for Data, Systems, and Society, Massachusetts Institute of Technology（信息与决策系统实验室和数据、系统与社会研究所，麻省理工学院） ； Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院） ； Laboratory for Information & Decision Systems, the Institute for Data, Systems, and Society, and the Dept. of Civil and Environmental Engineering, Massachusetts Institute of Technology（信息与决策系统实验室、数据、系统与社会研究所和土木与环境工程系，麻省理工学院） 纠错

AI总结 本文提出考虑概率的停车选择方法，通过动态规划框架优化停车位置选择，减少到达时间误差，实验表明其在真实数据和模拟中均有效。

Comments 10 pages, 8 figures, 3 tables. To be published in IEEE Transactions on Intelligent Transportation Systems

Calibrated Stackelberg Games: Learning Optimal Commitments Against Calibrated Agents

校准的斯塔克尔伯格博弈：学习针对校准代理的最优承诺

Nika Haghtalab, Chara Podimata, Kunhe Yang

机构 * University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究校准斯塔克尔伯格博弈，将标准框架推广，其中代理依校准预测行动。虽信息减少，但委托人最优效用有界。针对校准挑战，开发新校准概念及算法，包括基于最佳响应区域的松弛，及代理自适应校准算法，助委托人更快收敛。