University of Washington（华盛顿大学）

Response-Aware User Memory Selection for LLM Personalization

面向响应的用户记忆选择用于LLM个性化

Jillian Fisher, Jennifer Neville, Chan Young Park

机构 * Department of Computer Science and Engineering, University of Washington, Seattle, WA, United States of America（华盛顿大学计算机科学与工程系） ； Microsoft Research, Redmond, WA, United States of America（微软研究院） 纠错

AI总结 本文提出RUMS方法，通过测量记忆与模型输出的互信息选择用户记忆，提升响应质量并降低计算成本。

Comments Code at: https://github.com/jfisher52/Response_Utility_Optimized_Memory_Selection

FAIR Universe Weak Lensing ML Uncertainty Challenge: Handling Uncertainties and Distribution Shifts for Precision Cosmology

FAIR Universe弱引力透镜ML不确定性挑战：处理不确定性和分布偏移以实现精确宇宙学

Biwei Dai, Po-Wen Chang, Wahid Bhimji, Paolo Calafiura, Ragansu Chakkappai, Yuan-Tang Chou, Sascha Diefenbacher, Jordan Dudley, Ibrahim Elsharkawy, Steven Farrell, Isabelle Guyon, Chris Harris, Elham E Khoda, Benjamin Nachman, David Rousseau, Uroš Seljak, Ihsan Ullah, Yulei Zhang

机构 * Lawrence Berkeley National Laboratory（伯克利劳伦斯国家实验室） ； Université Paris-Saclay, CNRS/IN2P3, IJCLab（巴黎萨克雷大学，CNRS/IN2P3，IJCLab） ； ChaLearn ； University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） ； University of California, San Diego（圣地亚哥大学） 纠错

AI总结 本文提出首个弱引力透镜基准数据集，通过处理有限训练集和分布偏移，推动ML方法在弱引力透镜分析中的应用，促进系统误差处理和数据效率提升。

Comments Whitepaper for the FAIR Universe Weak Lensing ML Uncertainty Challenge Competition. More info is available at our GitHub repository https://github.com/FAIR-Universe/Cosmology_Challenge. 13 pages, 5 figures, 1 table

MixAtlas: Uncertainty-aware Data Mixture Optimization for Multimodal LLM Midtraining

MixAtlas: 多模态大语言模型中训练过程中的数据混合优化方法

Bingbing Wen, Sirajul Salekin, Feiyang Kang, Bill Howe, Lucy Lu Wang, Javier Movellan, Manjot Bilkhu

机构 * Apple（苹果公司） ； University of Washington（华盛顿大学） ； Virginia Tech（弗吉尼亚理工学院） 纠错

AI总结 MixAtlas通过双轴分解训练语料，结合小代理模型与高斯过程代理，优化多模态大语言模型的训练混合策略，提升性能和泛化能力。