University of California, San Diego（加州大学圣迭戈分校）

CI-CBM: Class-Incremental Concept Bottleneck Model for Interpretable Continual Learning

CI-CBM：用于可解释持续学习的类增量概念瓶颈模型

Amirhosein Javadi, Tuomas Oikarinen, Tara Javidi, Tsui-Wei Weng

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Halıcıoğlu Data Science Institute, University of California San Diego（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所） 纠错

AI总结 本文提出CI-CBM模型，通过概念正则化和伪概念生成技术，在持续学习中保持可解释性，实验表明其在七种数据集上性能优异，比现有可解释方法平均提升36%。

Comments 31 pages, 6 figures. Published in Transactions on Machine Learning Research (TMLR), 04/2026

Journal ref Transactions on Machine Learning Research, 2026

AIBuildAI: An AI Agent for Automatically Building AI Models

AIBuildAI: 一个用于自动构建AI模型的AI代理

Ruiyi Zhang, Peijia Qin, Qi Cao, Li Zhang, Pengtao Xie

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学系） 纠错

AI总结 AIBuildAI通过分层代理架构自动构建AI模型，超越传统AutoML，实现端到端自动化，展示出在Kaggle风格任务中63.1%的获奖率。

FAIR Universe Weak Lensing ML Uncertainty Challenge: Handling Uncertainties and Distribution Shifts for Precision Cosmology

FAIR Universe弱引力透镜ML不确定性挑战：处理不确定性和分布偏移以实现精确宇宙学

Biwei Dai, Po-Wen Chang, Wahid Bhimji, Paolo Calafiura, Ragansu Chakkappai, Yuan-Tang Chou, Sascha Diefenbacher, Jordan Dudley, Ibrahim Elsharkawy, Steven Farrell, Isabelle Guyon, Chris Harris, Elham E Khoda, Benjamin Nachman, David Rousseau, Uroš Seljak, Ihsan Ullah, Yulei Zhang

机构 * Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室） ； Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学，CNRS/IN2P3，IJCLab） ； ChaLearn ； University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） ； University of California, San Diego（圣地亚哥大学） 纠错

AI总结 本文提出首个弱引力透镜基准数据集，通过处理有限训练集和分布偏移，推动ML方法在弱引力透镜分析中的应用，促进系统误差处理和数据效率提升。

Comments Whitepaper for the FAIR Universe Weak Lensing ML Uncertainty Challenge Competition. More info is available at our GitHub repository https://github.com/FAIR-Universe/Cosmology_Challenge. 13 pages, 5 figures, 1 table

ReviewGrounder: Improving Review Substantiveness with Rubric-Guided, Tool-Integrated Agents

ReviewGrounder：通过规则引导和工具集成代理提升评审的实质内容

Zhuofeng Li, Yi Lu, Dongfu Jiang, Haoxiang Zhang, Yuyang Bai, Chuan Li, Yu Wang, Shuiwang Ji, Jianwen Xie, Yu Zhang

机构 * Texas A&M University（德克萨斯A&M大学） ； University of Waterloo（滑铁卢大学） ； UC San Diego（南加州大学） ； Lambda ； University of Oregon（俄勒冈大学） 纠错

AI总结 本文提出ReviewGrounder框架，通过规则引导和工具集成提升AI会议评审的实质内容，实验表明其在8个维度上优于基线模型。