University of Toronto（多伦多大学）

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） 纠错

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。

ReinforceGen: Hybrid Skill Policies with Automated Data Generation and Reinforcement Learning

ReinforceGen：具有自动数据生成和强化学习的混合技能策略

Zihan Zhou, Animesh Garg, Ajay Mandlekar, Caelan Garrett

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 针对机器人长期操纵挑战，ReinforceGen系统结合任务分解、数据生成、模仿学习与运动规划形成初始方案，经强化学习微调，在Robosuite数据集基准测试中成功率达80%，消融研究显示微调使性能平均提升89%，实际评估也有显著改进。

LDPKiT: Superimposing Remote Queries for Privacy-Preserving Distillation

LDPKiT：用于隐私保护蒸馏的远程查询叠加

Kexin Li, Aastha Mehta, David Lie

机构 * University of Toronto（多伦多大学） ； The University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 研究针对模型远程推理的隐私问题，提出LDPKiT框架，利用私有数据并限制隐私泄露。通过叠加技术生成样本，在局部差分隐私下实现知识转移。实验表明该框架能在保持隐私时提高效用，还进行了敏感性分析等提供见解。

Comments 18 pages, published at the 6th International Workshop on Advances on Security and Privacy Technologies and Solutions (IWAPS) co-located with the International Conference on Availability, Reliability and Security (ARES), Linköping, Sweden, August 24 - 27, 2026