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

RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification

RUBRIC：用于不平衡分类的现实-效用平衡排序

Yanxuan Yu, Dong Liu, Shu Wang, Wenxiao Zhao, Eric Jiang, Chang Liu, Jinxi Yu, Hui Pan, Ben Lengerich, Tong Geng, Renata Borovica-Gajic, Ying Nian Wu

机构 * Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Melbourne（墨尔本大学） 纠错

AI总结 研究类别不平衡问题，提出RUBRIC框架，将合成样本选择设为质量优化问题，用现实-效用权衡排序，能收紧泛化边界，经实验验证其在信用卡欺诈检测等任务中可提升F1宏和召回率，保持ROC-AUC并可进行lambda敏感性分析。

Implicit Bias and Invariance: How Hopfield Networks Efficiently Learn Graph Orbits

隐式偏差与不变性：Hopfield网络如何高效学习图轨道

Michael Murray, Tenzin Chan, Kedar Karhadker, Christopher J. Hillar

机构 * Mathematical Sciences, University of Bath（巴斯大学数学科学系） ； Department of Mathematics, UCLA（洛杉矶大学数学系） ； Algebraic 4 New Theory AI（代数4新理论AI） 纠错

AI总结 研究探讨了Hopfield网络在处理对称性学习问题时的隐式不变性机制，揭示了通过梯度下降学习图同构类时的隐式偏差及其对样本复杂度的影响。