University of Washington（华盛顿大学）

Strategic PAC Learnability via Geometric Definability

通过几何可定义性实现策略PAC可学习性

Yuval Filmus, Shay Moran, Elizaveta Nesterova, Nir Rosenfeld, Alexander Shlimovich

机构 * Weizmann Institute of Science（魏茨曼研究院） ； University of Waterloo（滑铁卢大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） 纠错

AI总结 研究个体通过成本修改特征影响分类器决策的策略学习问题，证明在简单情况下策略行为可使易学问题变为不可学，并引入几何可定义性假设以控制样本复杂度。

Allocating Human Oversight in AI-Enabled Analytics

AI赋能分析中的人类监督分配

Zikun Ye, Jiameng Lyu, Rui Tao

机构 * Michael G. Foster School of Business, University of Washington（华盛顿大学迈克尔·G·福斯特商学院） ； Department of Management Science, School of Management, Fudan University（复旦大学管理学院管理科学系） ； Guanghua School of Management, Peking University（北京大学光华管理学院） 纠错

AI总结 针对AI预测可靠性异质且未知的问题，提出基于上置信界的在线学习策略，动态分配有限的人类验证预算，使终端效率损失随预算增长趋于零。

Adaptable Segmentation Pipeline for Diverse Brain Tumors with Radiomic-Guided Subtyping and Lesion-Wise Model Ensemble

适用于多样化脑肿瘤的自适应分割流程：放射组学引导的亚型分类与病灶级模型集成

Daniel Capellán-Martín, Abhijeet Parida, Zhifan Jiang, Nishad Kulkarni, Krithika Iyer, Austin Tapp, Syed Muhammad Anwar, María J. Ledesma-Carbayo, Marius George Linguraru

机构 * Sheikh Zayed Institute for Pediatric Surgical Innovation（Sheikh Zayed儿童外科创新研究所） ； Children’s National Hospital（儿童医院） ； University of Washington（华盛顿大学） ； Universidad Politécnica de Madrid（马德里理工大学） ； CIBER-BBN ； ISCIII ； School of Medicine and Health Sciences（医学与健康科学学院） 纠错

AI总结 提出一种灵活模块化的自适应分割流程，通过放射组学特征检测肿瘤亚型并平衡训练，结合病灶级性能指标优化模型集成与后处理，在BraTS 2025挑战赛中达到顶尖性能，支持临床定量肿瘤测量。

Comments 12 pages, 5 figures, 3 tables. Algorithm presented at MICCAI BraTS 2025

MoReBench: Evaluating Procedural and Pluralistic Moral Reasoning in Language Models, More than Outcomes

MoReBench：评估语言模型中的程序性和多元道德推理，超越结果

Yu Ying Chiu, Michael S. Lee, Rachel Calcott, Brandon Handoko, Paul de Font-Reaulx, Raphaël Millière, Paula Rodriguez, Chen Bo Calvin Zhang, Ziwen Han, Udari Madhushani Sehwag, Yash Maurya, Christina Q Knight, Harry R. Lloyd, Florence Bacus, Conor Downey, Mantas Mazeika, Bing Liu, Yejin Choi, Mitchell L Gordon, Sydney Levine

机构 * University of Washington（华盛顿大学） ； New York University（纽约大学） ； Scale AI ； Harvard University（哈佛大学） ； University of Michigan（密歇根大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Center for AI Safety（人工智能安全中心） ； Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） 纠错

AI总结 提出MoReBench基准，包含1000个道德场景和超过2.3万条标准，用于评估语言模型在道德推理中的程序性推理能力，发现现有基准无法预测模型表现，且模型对特定道德框架存在偏好。

Comments 46 pages, 8 figures, 10 tables. Published in ICLR 2026. Accepted at CHAI workshop and SPP 2026 (non-archival)