University of California, Los Angeles（加州大学洛杉矶分校）

Do We Need All the Synthetic Data? Targeted Image Augmentation via Diffusion Models

我们是否需要所有合成数据？通过扩散模型的目标图像增强

Dang Nguyen, Jiping Li, Jinghao Zheng, Baharan Mirzasoleiman

机构 * University of California Los Angeles (UCLA)（加州大学洛杉矶分校） ； Ecole Polytechnique Federale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校） 纠错

AI总结 TADA通过选择性增强训练初期未被学习的示例，利用扩散模型提高图像分类的泛化能力，实验表明仅增强30-40%的数据即可提升性能。

Preference Leakage: A Contamination Problem in LLM-as-a-judge

偏好泄露：作为判断者的LLM中的污染问题

Dawei Li, Renliang Sun, Yue Huang, Ming Zhong, Bohan Jiang, Jiawei Han, Xiangliang Zhang, Wei Wang, Huan Liu

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Notre Dame（诺丁汉大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出偏好泄露问题，揭示LLM作为判断者时因数据生成器与评估者相关性导致的偏见，并通过实验验证其普遍存在性和检测难度。

Comments Accepted by ICLR 2026

Prompt-Dependent Ranking of Large Language Models with Uncertainty Quantification

基于不确定性的大语言模型提示依赖排序

Angel Rodrigo Avelar Menendez, Yufeng Liu, Xiaowu Dai

机构 * Department of Statistics and Data Science, UCLA（统计与数据科学系，加州大学洛杉矶分校） ； Department of Statistics, University of Michigan（统计系，密歇根大学） ； Department of Statistics and Data Science, and of Biostatistics, UCLA（统计与数据科学系及生物统计学系，加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种基于提示依赖的排名推断框架，通过统计有效的不确定性保证，改进大语言模型的排名决策。