University of California, Berkeley（加州大学伯克利分校）

A Variational Estimator for $L_p$ Calibration Errors

$L_p$校准误差的变分估计器

Eugène Berta, Sacha Braun, David Holzmüller, Francis Bach, Michael I. Jordan

机构 * INRIA ； Ecole Normale Supérieure, PSL Research University（巴黎高等师范学院，PSL研究大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出了一种基于变分框架的$L_p$校准误差估计方法，能够区分过高和过低自信，并避免过估计，通过实验验证其有效性。

Forecasting Future Language: Context Design for Mention Markets

预测未来语言：提及市场中的上下文设计

Sumin Kim, Jihoon Kwon, Yoon Kim, Nicole Kagan, Raffi Khatchadourian, Wonbin Ahn, Alejandro Lopez-Lira, Jaewon Lee, Yoontae Hwang, Oscar Levy, Yongjae Lee, Chanyeol Choi

机构 * LinqAlpha ； Massachusetts Institute of Technology（麻省理工学院） ； Kalshi ； IBM ； LG AI Research（LG AI研究） ； University of Florida（佛罗里达大学） ； Seoul National University（首尔国立大学） ； Pusan National University（釜山国立大学） ； University of California, Berkeley（加州大学伯克利分校） ； UNIST（全南国立大学） 纠错

AI总结 本文研究了提及市场中上下文设计对预测准确性的影响，提出市场条件提示（MCP）方法，通过结合市场概率和文本证据提升预测鲁棒性。

Comments 10 pages

Rudder: Steering Prefetching in Distributed GNN Training using LLM Agents

Rudder: 在分布式GNN训练中利用LLM代理进行转向预取

Aishwarya Sarkar, Sayan Ghosh, Nathan Tallent, Aman Chadha, Tanya Roosta, Ali Jannesari

机构 * Iowa State University（爱荷华州立大学） ； Pacific Northwest National Laboratory（太平洋西北国家实验室） ； Amazon GenAI（亚马逊生成人工智能） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 Rudder利用LLM代理的生成式AI能力，通过自适应预取减少分布式GNN训练中的通信开销，提升训练性能达91%。

Comments Accepted to the 40th ACM International Conference on Supercomputing (ICS 2026)

The False Promise of Zero-Shot Super-Resolution in Machine-Learned Operators

机器学习算子中零样本超分辨率的虚假承诺

Mansi Sakarvadia, Kareem Hegazy, Amin Totounferoush, Kyle Chard, Yaoqing Yang, Ian Foster, Michael W. Mahoney

机构 * University of Chicago（芝加哥大学） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； University of Stuttgart（斯图加特大学） ； Dartmouth College（达特茅斯学院） ； International Computer Science Institute（国际计算机科学研究所） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了机器学习算子在零样本超分辨率中的局限性，提出了一种数据驱动的多分辨率训练方法以提高泛化能力。

Comments Published in the Proceedings of the International Conference on Learning Representations (ICLR), 2026

On the Generalization of SFT: A Reinforcement Learning Perspective with Reward Rectification

在SFT的泛化上：从强化学习视角的奖励校正

Yongliang Wu, Yizhou Zhou, Zhou Ziheng, Yingzhe Peng, Xinyu Ye, Xinting Hu, Wenbo Zhu, Lu Qi, Ming-Hsuan Yang, Xu Yang

机构 * Southeast University（东南大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校） 纠错

AI总结 本文提出动态微调方法，通过奖励校正提升SFT的泛化能力，在多个任务中表现优于传统SFT。

Comments ICLR 2026

Conformal Prediction for Long-Tailed Classification

长尾分类中的符合预测

Tiffany Ding, Jean-Baptiste Fermanian, Joseph Salmon

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Montpellier（蒙彼利埃大学） ； Inria（法国国家信息与自动化技术研究院） ； CNRS（法国国家科学研究中心） 纠错

AI总结 本文提出了一种改进的符合预测方法，通过 prevalence-adjusted softmax 和线性插值技术，在长尾分类中平衡预测集大小和类别覆盖。