University of Pennsylvania（宾夕法尼亚大学）

Measuring Judgment Quality in Natural-Language Explanations: Evidence from Forecasting Tournaments

自然语言解释中的判断质量测量：来自预测锦标赛的证据

Christopher W. Karvetski, Sheldon S. Huang, Simas Kučinskas, Nadja Flechner, Jingyu Hu, Philip Tetlock, Ezra Karger

机构 * Forecasting Research Institute（预测研究所） ； Good Judgment Inc（Good Judgment公司） ； University of Toronto（多伦多大学） ； Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Stanford University（斯坦福大学） ； School of Arts and Sciences & Wharton, University of Pennsylvania（宾夕法尼亚大学文理学院与沃顿商学院） ； Federal Reserve Bank of Chicago（芝加哥联邦储备银行） ； Federal Reserve System（联邦储备系统） 纠错

AI总结 提出解释质量标记（EQMs），用大语言模型评分60种理论驱动的推理模式，在超过55,000个预测-理由对中预测准确性，优于传统方法。

SGD at the Edge of Stability: Stochastic Stabilization with Large Learning Rates

稳定性边缘的SGD：大学习率的随机稳定化

Konstantinos Emmanouilidis, Lachlan MacDonald, Salma Tarmoun, Rene Vidal

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 研究随机梯度下降（SGD）在大学习率下的收敛性，发现SGD通过自稳定机制在曲率驱动振荡和稳定下降之间交替，确保迭代在固定步数内恢复稳定并收敛。

Match-Any-Events: Zero-Shot Motion-Robust Feature Matching Across Wide Baselines for Event Cameras

Match-Any-Events: 零样本跨大基线事件相机运动鲁棒特征匹配

Ruijun Zhang, Hang Su, Kostas Daniilidis, Ziyun Wang

机构 * Johns Hopkins University（约翰霍普金斯大学） ； ShanghaiTech University（上海科技大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Archimedes, Athena RC（Archimedes，Athena RC） 纠错

AI总结 本文提出首个零样本事件匹配模型，通过运动鲁棒且高效的注意力骨干网络和稀疏感知事件token选择，实现跨数据集大基线对应。实验显示比现有方法提升37.7%。

Comments Accepted to ECCV 2026

Journal ref Proceedings of the European Conference on Computer Vision (ECCV) 2026

Efficient Sampling with Discrete Diffusion Models: Sharp and Adaptive Guarantees

离散扩散模型的高效采样：尖锐且自适应的保证

Daniil Dmitriev, Zhihan Huang, Yuting Wei

机构 * Department of Statistics and Data Science, the Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院统计与数据科学系） 纠错

AI总结 本文研究基于连续时间马尔可夫链的离散扩散模型采样效率，提出τ-跳跃采样器，在KL散度下达到ε精度，对均匀扩散实现Õ(d/ε)复杂度，对掩蔽扩散引入有效总相关量实现自适应收敛。

Comments 59 pages, 1 figure. Accepted at the Conference on Learning Theory (COLT) 2026

Multiple Testing of Linear Forms for Noisy Matrix Completion

噪声矩阵补全中线性形式的多元检验

Wanteng Ma, Lilun Du, Dong Xia, Ming Yuan

机构 * University of Pennsylvania（宾夕法尼亚大学） ； City University of Hong Kong（香港城市大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 针对大规模推荐系统中噪声矩阵补全的多元线性形式检验问题，提出一种数据分割与对称聚合方法，通过构造具有锐利渐近性质的统计量控制错误发现率，在近最优样本量下实现有效FDR控制与统计功效。