Optimal Recalibration of an Online Predictor
在线预测器的最优重新校准
机构 * Northeastern University（东北大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出一种在线算法，实现在线预测器的最优重新校准，同时达到ε-校准和ε²-校准，改进了以往单独实现这些属性的工作。
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
Total Variation Distance Estimation in Autoregressive Models
自回归模型中的总变差距离估计
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究自回归模型中两个分布的总变差距离估计问题。在样本、对数概率、噪声对数概率三种访问模型下，分别给出不同查询次数的估计方法，并通过实验验证算法的稳健性和实用性，即便KL散度无穷时也能估计。
Comments 39 pages, 11 figures, code is available at https://github.com/XunZhiyang/llm-tv-estimation
Streaming Sliced Optimal Transport
流式切片最优传输
机构 * Department of Statistics（统计系） ； Data Sciences, University of Texas at Austin, USA（数据科学系，德克萨斯大学奥斯汀分校）
AI总结 本文提出流式切片最优传输（Stream-SW）方法，通过流式估计一维Wasserstein距离来提升计算效率，适用于样本流中的切片最优传输估计，具有低内存复杂度和理论误差保证。
Comments Accepted to ICML 2026, 21 pages, 8 figures, 7 tables
Abstraction Induces the Brain Alignment of Language and Speech Models
抽象诱导语言和语音模型的脑对齐
机构 * The University of Texas at Austin, USA（德克萨斯大学奥斯汀分校） ； Zuckerman Mind Brain Behavior Institute, Columbia University, USA（祖克曼心智-大脑-行为研究所，哥伦比亚大学）
AI总结 研究发现语言和语音模型通过共享的意义抽象与大脑对齐，中间层的高内在维度和语义内容增强了大脑预测性。
Comments ICML 2026 camera-ready version
Journal ref ICML 2026
Avoiding Obfuscation with Prover-Estimator Debate
通过证明者-估计者辩论避免混淆
机构 * Google DeepMind（谷歌DeepMind） ； UK AI Security Institute（英国人工智能安全研究所） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 研究如何训练强大AI系统，利用证明者-估计者辩论放大人类判断。针对现有递归辩论协议的混淆论证问题，提出新协议，在一定假设下确保诚实辩论者能用与对手相当的计算效率策略获胜。
