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

2608.06377 2026-08-07 cs.CL cs.AI cs.LG 新提交

Learning When to Trust via Selective Context Preference Optimization

通过选择性上下文偏好优化学习何时信任

Xian Sun, Wei Chow, Yingshuo Wang, Junhao Liu, Wei Gao, Qing Wu, Lingdong Kong

机构 * Duke University（杜克大学）； National University of Singapore（新加坡国立大学）； UC Berkeley（加州大学伯克利分校）； UC Irvine（加州大学欧文分校）； Northeastern University（东北大学）； Nanyang Technological University（南洋理工大学）

AI总结本研究针对语言模型易受误导性外部信号影响的问题，提出SCOPE方法，在含四种条件的MIST基准上优化DPO目标，降低SC2W的同时保持正常上下文下的准确率，主张以选择性信任评判模型。

Comments Project Page at https://worldbench.github.io/scope GitHub Repo at https://github.com/worldbench/SCOPE HF Dataset at https://huggingface.co/datasets/worldbench/MIST-Bench

2608.06363 2026-08-07 cs.LG cs.AI cs.DS math.ST stat.TH 新提交

An Optimal Agnostic PAC Algorithm

一种最优的不可知PAC算法

Markus Engelund Mathiasen, Jian Qian, Nikita Zhivotovskiy

机构 * Aarhus University（奥胡斯大学）； The University of Hong Kong（香港大学）； University of California, Berkeley（加州大学伯克利分校）

AI总结该研究针对有限VC维的二元分类函数类，构造出达到统计最优风险界的不可知PAC学习算法，确定了其样本复杂度（仅差通用常数），匹配了已有下界。

Comments 18 pages