University of Washington（华盛顿大学）

Batched Stochastic Linear Bandits with 1-Bit Communication Constraints

具有1比特通信约束的批量随机线性赌博机

Ivan Lau, Daniel McMorrow, Kevin Jamieson, Jonathan Scarlett

机构 * National University of Singapore（新加坡国立大学） ； University of Washington（华盛顿大学） 纠错

AI总结 研究在批量大小B和每批仅1比特反馈的通信约束下，随机线性赌博机的遗憾最小化问题，提出了两种基于G-最优设计和1比特均值估计的相位消除算法，实现了接近无约束线性赌博机的最优遗憾。

Local linear convergence of gradient methods for overparameterized Gaussian mixtures

过参数化高斯混合模型梯度方法的局部线性收敛性

Jingxing Wang, Vasileios Charisopoulos, Maryam Fazel

机构 * Electrical & Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； National Institute for Theory and Mathematics in Biology（生物理论与数学国家研究所） ； Amazon, Inc.（亚马逊公司） 纠错

AI总结 针对过参数化高斯混合模型，提出一种交替使用短梯度步和长Polyak步的方法，实现局部线性收敛速率，克服了过参数化导致的慢收敛问题。

Comments 45 pages, 7 figures

A Lecture Note on Offline RL and IRL, Part II: Foundations of Inverse Reinforcement Learning and Dynamic Discrete Choice Models

离线强化学习与逆强化学习讲义，第二部分：逆强化学习与动态离散选择模型的基础

Enoch Hyunwook Kang

机构 * University of Washington, Foster School of Business（华盛顿大学，福斯特商学院） 纠错

AI总结 本文证明了逆强化学习（IRL）与动态离散选择（DDC）模型的等价性，回顾了经典识别结果和计算范式，并介绍了现代机器学习方法及其识别特性。

Reducing the GPU Memory Bottleneck with Lossless Compression for ML -- Extended

通过无损压缩减少机器学习中的GPU内存瓶颈——扩展版

Aditya K Kamath, Arvind Krishnamurthy, Marco Canini, Simon Peter

机构 * University of Washington（华盛顿大学） 纠错

AI总结 提出无损压缩算法IBP，通过识别和消除张量组中的不变位，利用GPU优化的解压缩和异步PCIe传输，显著减少数据传输时间，加速GNN训练、DLRM嵌入查找和LLM推理。

Comments Extended version of paper published at 21st European Conference on Computer Systems (EUROSYS '26), April 27-30, 2026, Edinburgh, Scotland Uk

Journal ref 2026. In Proceedings of the 21st European Conference on Computer Systems. Association for Computing Machinery, 899-918

Identifying Connectivity Distributions from Neural Dynamics Using Flows

利用流从神经动力学中识别连接分布

Timothy Doyeon Kim, Ulises Pereira-Obilinovic, Yiliu Wang, Eric Shea-Brown, Uygar Sümbül

机构 * Allen Institute, Seattle, WA, USA（艾伦研究所） ； University of Washington, Seattle, WA, USA（华盛顿大学） 纠错

AI总结 针对低秩循环神经网络（lrRNN）中连接结构不可识别的问题，提出基于最大熵和连续归一化流（CNF）的推理框架，通过流匹配训练学习连接权重分布，以无偏方式匹配观测动力学，并应用于合成数据和真实神经记录。

Revisiting the Bertrand Paradox via Equilibrium Analysis of No-regret Learners

重新审视 Bertrand 悖论：通过无遗憾学习者的均衡分析

Arnab Maiti, Junyan Liu, Kevin Jamieson, Lillian J. Ratliff

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文通过无遗憾学习者的重复博弈模型，分析 Bertrand 定价博弈中高价格均衡出现的条件，并比较外部遗憾与交换遗憾对竞争行为的影响。

Comments 36 pages, 34 figures

SERA: Soft-Verified Efficient Repository Agents

SERA：软验证的高效仓库智能体

Ethan Shen, Daniel Tormoen, Saurabh Shah, Ali Farhadi, Tim Dettmers

机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Paul G. Allen School of Computer Science and Engineering（保罗·G·艾伦计算机科学与工程学院） ； Allen Institute of Artificial Intelligence（艾伦人工智能研究所） ； Machine Learning Department（机器学习系） 纠错

AI总结 提出SERA方法，通过软验证生成（SVG）高效训练编码智能体，使其快速适应私有代码库，在开源模型中取得领先性能且成本极低。

Comments 21 main pages, 6 pages appendix

Stochastic Gradients under Nuisances

干扰下的随机梯度

Facheng Yu, Ronak Mehta, Alex Luedtke, Zaid Harchaoui

机构 * University of Washington（华盛顿大学） 纠错

AI总结 本文研究目标函数依赖于未知干扰参数的学习问题中随机梯度算法的非渐近收敛性，证明在Neyman正交性等条件下经典算法仍可收敛，并提出近似正交化更新变体以在非正交情形下达到类似收敛率。

Comments Published at NeurIPS 2025

Inferring Events from Time Series using Language Models

利用语言模型从时间序列中推断事件

Mingtian Tan, Mike A. Merrill, Zack Gottesman, Tim Althoff, David Evans, Tom Hartvigsen

机构 * University of Virginia（弗吉尼亚大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） 纠错

AI总结 研究大型语言模型能否从时间序列数据中推断自然语言事件，提出自动化任务生成方法和新基准，并通过蒸馏与强化学习提升小模型性能。

Comments 21 pages, 15 Figures