Technion - Israel Institute of Technology（以色列理工学院）

The Role of Causal Features in Strategic Classification for Robustness and Alignment

因果特征在战略分类中的作用：鲁棒性与对齐

Antonio Gois, Sophia Gunluk, Nir Rosenfeld, Nidhi Hegde, Simon Lacoste-Julien, Dhanya Sridhar

机构 * Mila & Université de Montréal（Mila与蒙特利尔大学） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Faculty of Computer Science, Technion - Israel Institute of Technology（技术学院-以色列理工学院计算机科学系） ； Dept. of Computing Science, Amii & University of Alberta, Canada（计算科学系，Amii与阿尔伯塔大学，加拿大） 纠错

AI总结 本文通过因果模型分析战略分类中的分布偏移，证明因果分类在噪声有界时达到最优误差，并分解OOD交叉熵风险，揭示因果特征在长期激励对齐中的优势。

Comments Accepted at AISTATS 2026. 20 pages, 5 figures

PAC Learning with Bandit Feedback: Sharp Sample Complexity in the Realizable Setting

带强盗反馈的PAC学习：可实现设置下的精确样本复杂度

Steve Hanneke, Qinglin Meng, Shay Moran, Amirreza Shaeiri

机构 * Technion – Israel Institute of Technology and Google Research（技术ion – 以色列理工学院和谷歌研究） 纠错

AI总结 本文研究可实现设置下带强盗反馈的多类PAC学习问题，通过定义新的组合维度（强盗DS维度）并基于ListCascade算法，给出了最优样本复杂度的精确刻画（至多对数因子）。

Comments 18 pages

Alignment Makes Language Models Normative, Not Descriptive

对齐使语言模型变得规范，而非描述性

Eilam Shapira, Moshe Tennenholtz, Roi Reichart

机构 * Technion – Israel Institute of Technology（技术离子-以色列理工学院） 纠错

AI总结 通过对比120个基础-对齐模型对在超过10,000个真实人类决策中的表现，发现对齐诱导了规范性偏差：在单轮教科书式博弈中提升预测，但在多轮战略博弈中因忽略互惠、报复等描述性动态而损害预测。