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

Sanity Checks for Agentic Data Science

代理数据科学的合理性检查

Zachary T. Rewolinski, Austin V. Zane, Hao Huang, Chandan Singh, Chenglong Wang, Jianfeng Gao, Bin Yu

机构 * Dept. of Statistics UC Berkeley（加州大学伯克利分校统计系） ； Dept. of EECS UC Berkeley（加州大学伯克利分校电子工程与计算机科学系） ； Microsoft Research（微软研究院） ； Center for Computational Biology UC Berkeley（加州大学伯克利分校计算生物学中心） 纠错

AI总结 本文提出基于PCS框架的轻量级合理性检查，用于验证代理数据科学输出的可靠性，通过扰动检测信号与噪声区分，揭示不支持的结论，并在合成数据和真实数据集上验证其有效性。

Tracking High-order Evolutions via Cascading Low-rank Fitting

通过级联低秩拟合追踪高阶演化

Zhao Song

机构 * Simons Institute for Theory of Computing, UC Berkeley（加州大学伯克利分校西蒙斯理论计算研究所） 纠错

AI总结 本文提出级联低秩拟合方法，用于高效建模高阶动力学，通过共享基础函数和累积低秩组件，减少参数规模，理论分析证明高阶导数秩的非递增性及排列灵活性。

Compliant But Unsatisfactory: The Gap Between Auditing Standards and Practices for Probabilistic Genotyping Software

合规却令人不满：概率分型软件审计标准与实践之间的差距

Angela Jin, Alexander Asemota, Dan E. Krane, Nathaniel D. Adams, Rediet Abebe

机构 * University of California, Berkeley（加州大学伯克利分校） ； Wright State University（莱特州立大学） ； Forensic Bioinformatic Services, Inc.（法医生物信息学服务公司） ； ELLIS Institute（ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） 纠错

AI总结 本文通过案例研究探讨了审计标准设计对其实效性的影响，发现现有标准在实践中存在诸多不足，如模糊语言和未定义术语导致审计效果不佳。

Comments 20 pages, 2 figures, published at ACM CHI, 2026

Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice

小规模训练能否可靠地指导数据整理？重新审视代理模型实践

Jiachen T. Wang, Tong Wu, Kaifeng Lyu, James Zou, Dawn Song, Ruoxi Jia, Prateek Mittal

机构 * Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 本文探讨了小规模代理模型训练在数据整理中的可靠性问题，指出固定配置协议与全规模模型开发流程的差异，并提出通过降低学习率提升小规模实验的可靠性。

Comments ICLR 2026

Learning When Not to Learn: Risk-Sensitive Abstention in Bandits with Unbounded Rewards

学习何时不学习：具有无界奖励的老虎机中风险敏感的退避策略

Sarah Liaw, Benjamin Plaut

机构 * Harvard University（哈佛大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种风险敏感的退避算法，在无导师的情况下处理无界奖励的老虎机问题，通过确定性区域减少不可逆损害，理论证明了谨慎探索在高风险环境中的有效性。

Comments 19 pages, 3 figures; accepted to AISTATS 2026

Reliable Evaluation Protocol for Low-Precision Retrieval

低精度检索的可靠评估协议

Kisu Yang, Yoonna Jang, Hwanseok Jang, Kenneth Choi, Isabelle Augenstein, Heuiseok Lim

机构 * VAIV Company（VAIV公司） ； University of Copenhagen（哥本哈根大学） ； Korea University（高丽大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种更稳健的检索评估协议，通过高精度评分和考虑 ties 的检索指标减少低精度检索中的评分波动，提高评估可靠性。

Comments ACL 2026 Main Conference

A Ray Intersection Algorithm for Fast Growth Distance Computation Between Convex Sets

用于凸集之间快速生长距离计算的射线相交算法

Akshay Thirugnanam, Koushil Sreenath

机构 * UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种高效算法，通过迭代构造Minkowski差集的内外多面体近似，计算凸集之间的生长距离，该算法在运动规划和刚体模拟中具有广泛应用。

Comments 14 pages, 7 figures

What's In My Human Feedback? Learning Interpretable Descriptions of Preference Data

我的人类反馈中有什么？通过稀疏自编码器学习可解释的偏好数据描述

Rajiv Movva, Smitha Milli, Sewon Min, Emma Pierson

机构 * UC Berkeley（加州大学伯克利分校） ； FAIR at Meta（Meta AI研究院） 纠错

AI总结 本文提出WIMHF方法，通过稀疏自编码器解释人类反馈数据，揭示偏好数据中的人类可解释特征，发现不同数据集中的偏好差异及潜在不安全偏好，为数据筛选和个性化调整提供支持。

Comments ICLR 2026 (oral). v2 adds SAE ablations and robustness checks. Code: https://github.com/rmovva/wimhf; Demo: https://rajivmovva.com/demo-wimhf/

StyleBench: Evaluating thinking styles in Large Language Models

StyleBench: 评估大型语言模型中的思维风格

Junyu Guo, Shangding Gu, Ming Jin, Costas Spanos, Javad Lavaei

机构 * University of California, Berkeley（加州大学伯克利分校） ； Virginia Tech（弗吉尼亚理工大学） 纠错

AI总结 本文通过StyleBench评估不同推理风格在大型语言模型中的表现，发现结构复杂度在特定任务和模型容量下提升准确性，同时探讨了推理策略选择的挑战。

Relative Entropy Pathwise Policy Optimization

相对熵路径策略优化

Claas Voelcker, Axel Brunnbauer, Marcel Hussing, Michal Nauman, Pieter Abbeel, Eric Eaton, Radu Grosu, Amir-massoud Farahmand, Igor Gilitschenski

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； TU Wien（维也纳工业大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Warsaw（华沙大学） ； UC Berkeley（加州大学伯克利分校） ； Polytechnique Montréal（蒙特利尔综合理工学院） ； Mila – Quebec AI Institute（Mila – 魁北克人工智能研究所） 纠错

AI总结 本文提出REPPO算法，通过路径策略梯度结合在线学习，提升训练稳定性与效率，展现优越的样本效率和内存表现。