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

Fine-Tuning Without Forgetting via Loss-Adaptive Learning Rates

通过损失自适应学习率实现无遗忘的微调

Parjanya Prajakta Prashant, Jiongli Zhu, Aldan Creo, Babak Salimi

机构 * University of California San Diego（加州大学圣迭戈分校） 纠错

AI总结 本文提出了一种损失自适应学习率调度方法FINCH，通过动态调整学习率来减少微调过程中的遗忘现象，同时保持任务性能，从而在知识获取、科学和低资源语言适应等基准测试中显著提升了模型表现。

Comments 25 pages

Stochastic Gradient Variational Inference with Price's Gradient Estimator from Bures-Wasserstein to Parameter Space

基于Bures-沃斯特斯坦空间到参数空间的随机梯度变分推断与Price梯度估计

Kyurae Kim, Qiang Fu, Yi-An Ma, Jacob R. Gardner, Trevor Campbell

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Yale University（耶鲁大学） ； University of British Columbia（不列颠哥伦比亚大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文研究了在仅给定目标分布无规范化的对数密度时，利用随机梯度的变分推断方法。通过比较Wasserstein VI和Black-Box VI，发现WVI在使用Price梯度估计时具有更优的收敛性，本文进一步证明两者在迭代复杂度上可以达到一致的最优结果。

Comments Accepted to ICML'26

CHI-Bench: Can AI Agents Automate End-to-End, Long-Horizon, Policy-Rich Healthcare Workflows?

CHI-Bench: 能否让AI代理自动化端到端、长周期、政策丰富的医疗工作流程？

Haolin Chen, Deon Metelski, Leon Qi, Tao Xia, Joonyul Lee, Steve Brown, Kevin Riley, Frank Wang, T. Y. Alvin Liu, Hank Capps MD, Zeyu Tang, Xiangchen Song, Lingjing Kong, Fan Feng, Tianyi Zeng, Zhiwei Liu, Zixian Ma, Hang Jiang, Fangli Geng, Yuan Yuan, Chenyu You, Qingsong Wen, Hua Wei, Yanjie Fu, Yue Zhao, Carl Yang, Biwei Huang, Kun Zhang, Caiming Xiong, Sanmi Koyejo, Eric P. Xing, Philip S. Yu, Weiran Yao

机构 * Johns Hopkins Medicine（约翰霍普金斯医学中心） ； Wellstar Health System（Wellstar健康系统） ； Stanford University（斯坦福大学） ； CMU（卡内基梅隆大学） ； UCSD（加州大学圣地亚哥分校） ； Yale School of Medicine（耶鲁医学院） ； Salesforce AI Research（Salesforce人工智能研究） ； University of Washington（华盛顿大学） ； Northeastern University（东北大学） ； Brown University（布朗大学） ； Boston College（波士顿学院） ； Stony Brook University（史泰森布里克大学） ； University of Oxford（牛津大学） ； Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学） ； Emory University（埃默里大学） ； MBZUAI ； Recursive Superintelligence（递归超级智能） ； University of Illinois at Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 本文提出CHI-Bench基准，旨在评估AI代理在医疗工作流程中端到端、长周期和政策丰富任务中的自动化能力，揭示当前基准测试中政策密度、多角色协作和多方交互等能力的不足。

Comments Website: https://actava.ai/benchmarks Code: https://github.com/actava-ai/chi-bench Dataset: https://huggingface.co/datasets/actava/chi-bench

TGLF-WINN: Data-Efficient Deep Learning Surrogate for Turbulent Transport Modeling in Fusion

TGLF-WINN: 用于等离子体输运建模的高效深度学习替代模型

Yadi Cao, Futian Zhang, Wesley Liu, Tom Neiser, Orso Meneghini, Lawson Fuller, Sterling Smith, Raffi Nazikian, Brian Sammuli, Rose Yu

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； General Atomics（通用原子公司） 纠错

AI总结 本文提出TGLF-WINN，一种数据高效的深度学习替代模型，通过三种创新方法：原理化的特征工程、物理引导的波数解析正则化和贝叶斯主动学习，提高了湍流输运建模的效率和准确性。

Comments Minor Revision responding to Nuclear Fusion reviewer and adjudicator comments (round 3)