University of Texas at Austin（得克萨斯大学奥斯汀分校）

Learning $\mathsf{AC}^0$ Under Graphical Models

在图模型下学习$\mathsf{AC}^0$

Gautam Chandrasekaran, Jason Gaitonde, Ankur Moitra, Arsen Vasilyan

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Duke University（杜克大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出在图模型下学习$\mathsf{AC}^0$电路的亚指数时间算法，克服了传统产品结构的限制，扩展了低次多项式逼近的应用范围。

Comments 57 pages

Cross-Machine Anomaly Detection Leveraging Pre-trained Time-series Model

跨机器异常检测利用预训练时间序列模型

Yangmeng Li, Kei Sano, Toshihiro Kitao, Ryoji Anzaki, Yukiya Saitoh, Hironori Moki, Dragan Djurdjanovic

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Tokyo Electron Ltd.（东京电子有限公司） 纠错

AI总结 本文提出一种跨机器时间序列异常检测框架，通过预训练模型MOMENT和随机森林分类器提取领域不变特征，提升跨机器泛化能力。

Comments 20 pages, 5 figures, under review at a journal

This Treatment Works, Right? Evaluating LLM Sensitivity to Patient Question Framing in Medical QA

这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性

Hye Sun Yun, Geetika Kapoor, Michael Mackert, Ramez Kouzy, Wei Xu, Junyi Jessy Li, Byron C. Wallace

机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。

Comments 31 pages, 4 tables, 19 figures

Retrieval Augmented Time Series Forecasting

检索增强的时间序列预测

Kutay Tire, Ege Onur Taga, Muhammed Emrullah Ildiz, Samet Oymak

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

AI总结 本文提出检索增强预测框架RAF，用于提升时间序列预测的准确性，尤其在大规模模型中效果更显著。