高校专区
高效且可靠的AI智能体概率验证
机构 * Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出基于分布鲁棒优化的框架，为AI智能体在复杂数字环境中的概率策略违规提供可靠上界，无需独立性假设，在终端和工具调用智能体基准上优于现有方法。
神经事件：用于事件视觉的离散异步自编码器
机构 * Robotics and Perception Group, University of Zurich（苏黎世大学机器人感知组） ； University of Pennsylvania（宾夕法尼亚大学） ； The University of Tokyo（东京大学） ； Keio University（庆应义塾大学）
AI总结 提出将事件流重新标记为少量高信息量的“神经事件”，每个事件代表一个局部时空上下文窗口的离散可学习编码，在物体检测和分类任务中达到或超越现有方法，同时将事件率降低2.0倍。
cAPM：具有主动学习的持续AI辅助起搏标测
机构 * Rochester Institute of Technology（罗切斯特理工学院） ； University of Utah（犹他大学） ； Scientific Computing and Imaging Institute, University of Utah（犹他大学科学计算与成像研究所） ； Medical University of Graz（格拉茨医科大学） ； University of Pennsylvania Perelman School of Medicine（宾夕法尼亚大学佩雷尔曼医学院） ； The University of Arizona College of Medicine（亚利桑那大学医学院） ； Dalhousie University（达尔豪斯大学）
AI总结 提出cAPM框架，通过任务无关的代理神经网络、主动学习和持续学习策略，在减少起搏标测数据量的同时，实现跨室性心动过速的知识迁移，将定位精度提升至81%。
最优确定性多校准与全预测
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种确定性算法，实现多校准的极小化最优样本复杂度，并推广到结果不可区分性，解决确定性预测器是否必要的问题。
LLM招聘决策中的性别偏见：来自日本语境的证据及缓解策略评估
机构 * Shibaura Institute of Technology, Tokyo, Japan（Shibaura技术学院，东京，日本） ； Amsterdam University of Applied Sciences, Amsterdam, Netherlands（阿姆斯特丹应用科学大学，阿姆斯特丹，荷兰） ； University of Pennsylvania, Philadelphia, USA（宾夕法尼亚大学，费城，美国） ； Carnegie Mellon University, Pittsburgh, USA（卡内基梅隆大学，匹兹堡，美国） ； Keio University, Tokyo, Japan（庆应大学，东京，日本）
AI总结 本研究通过60份日本履历书格式的简历和5个先进LLM，发现所有模型均存在显著的亲女性偏见，且简单的提示指令无法缓解，而移除姓名几乎完全消除该偏见。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈