Massachusetts Institute of Technology（麻省理工学院）

2604.17502 2026-07-13 cs.AI 版本更新

Towards Shutdownable Agents: Generalizing Stochastic Choice in RL Agents and LLMs

迈向可关闭的智能体：在强化学习智能体和大语言模型中推广随机选择

Carissa Cullen, Harry Garland, Alexander Roman, Louis Thomson, Christos Ziakas, Elliott Thornley

机构 * University of Oxford（牛津大学）； University College London（伦敦大学学院）； New College of Florida（佛罗里达新学院）； Imperial College London（伦敦帝国学院）； MIT（麻省理工学院）

AI总结本文提出DReST奖励函数，通过惩罚重复选择相同长度轨迹来训练智能体在不同轨迹长度间随机选择并有效追求目标，实验表明DReST训练的智能体在未见过的场景中表现出更高的有用性和中立性。

2604.16238 2026-07-13 cs.LG physics.ao-ph stat.ML 版本更新

Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction

通过概率性偏误校正增强人工智能和动力学亚季预测

Hannah Guan, Soukayna Mouatadid, Paulo Orenstein, Judah Cohen, Haiyu Dong, Zekun Ni, Jeremy Berman, Genevieve Flaspohler, Alex Lu, Jakob Schloer, Joshua Talib, Jonathan A. Weyn, Lester Mackey

机构 * Harvard College（哈佛学院）； University of Toronto（多伦多大学）； Instituto de Matemática Pura e Aplicada（数学与应用数学研究所）； Massachusetts Institute of Technology（麻省理工学院）； Atmospheric and Environmental Research（大气与环境研究）； Microsoft Corporation（微软公司）； Rhiza Research（Rhiza研究）； Microsoft Research New England（微软新英格兰研究院）； European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）

AI总结本文提出概率性偏误校正方法，通过学习历史概率预测来减少系统性误差，显著提升亚季预测能力，应用于ECMWF模型后，AI预测系统技能翻倍，操作性去偏模型在91%压力、92%温度和98%降水目标上表现更优。

2603.20388 2026-07-13 math.ST cs.LG econ.EM stat.ML stat.TH 版本更新

From Cross-Validation to SURE: Asymptotic Risk of Tuned Regularized Estimators

从交叉验证到SURE：调节估计器的渐近风险

Karun Adusumilli, Maximilian Kasy, Ashia Wilson

机构 * Department of Economics, University of Pennsylvania（宾夕法尼亚大学经济学系）； Department of Economics, University of Oxford（牛津大学经济学系）； Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电气工程与计算机科学系）

AI总结本文推导了通过n折交叉验证调节的正则化经验风险最小化估计器的渐近风险函数，展示了其在正常均值模型中的预测性能。

2506.22228 2026-07-13 stat.ML cs.LG q-bio.GN stat.AP 版本更新

Uncovering smooth structures in single-cell data with PCS-guided neighbor embeddings

用PCS引导的邻居嵌入揭示单细胞数据中的平滑结构

Rong Ma, Xi Li, Jingyuan Hu, Bin Yu

机构 * Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院生物统计学系）； Department of Data Science, Dana-Farber Cancer Institute（达纳-法伯癌症研究所数据科学系）； Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（MIT和哈佛大学Broad研究所埃里克和文迪·施密特中心）； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系）； Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系）； Center for Computational Biology, University of California, Berkeley（加州大学伯克利分校计算生物学中心）

AI总结研究针对从单细胞数据提取平滑低维表示的挑战，基于PCS框架评估NE算法，引入NESS改进其表示，通过应用于六个数据集，获得如识别过渡和稳定细胞状态等生物学见解。