University of Washington（华盛顿大学）

Rectification Difficulty and Optimal Sample Allocation in LLM-Augmented Surveys

LLM增强调查中的校正难度与最优样本分配

Zikun Ye, Hema Yoganarasimhan

机构 * Michael G. Foster School of Business, University of Washington（华盛顿大学Michael G. Foster商学院） 纠错

AI总结 本文研究在LLM预测可用时如何分配人类样本以提高估计效率，提出校正难度分析、最优分配规则及元学习方法，通过实验证明其在不同领域和LLM上的有效性。

Fine-grained Soundscape Control for Augmented Hearing

细粒度声音景观控制用于增强听觉

Seunghyun Oh, Malek Itani, Aseem Gauri, Shyamnath Gollakota

机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington（保罗·G·阿伦计算机科学与工程学院，华盛顿大学） ； Hearvana AI（Hearvana人工智能） 纠错

AI总结 Aurchestra通过细粒度声音控制实现可穿戴设备上多声音源的独立调节与混合，提升环境声音的增强与抑制效果。

Comments 15 pages, 11 figures, 4 tables, published at ACM MobiSys 2026

Journal ref MobiSys '26: Proceedings of the 24th Annual International Conference on Mobile Systems, Applications and Services (2026) 371-391