University of Washington（华盛顿大学）

Simulation-Based Empirical Bayes

基于模拟的经验贝叶斯

Xinwei Shen, Diana Cai, Cheng Zhang, David M. Blei

机构 * Department of Statistics University of Washington（统计学系华盛顿大学） ； Department of Computer Science Cornell University（计算机科学系康奈尔大学） ； School of Mathematical Sciences and Center for Statistical Science Peking University（数学科学学院与统计科学中心北京大学） ； Departments of Computer Science and Statistics Columbia University（计算机科学与统计学系哥伦比亚大学） 纠错

AI总结 研究针对似然只能通过模拟器获得的情况开发经验贝叶斯方法，引入基于模拟的经验贝叶斯（SBEB），通过观测数据、模拟器样本和推断网络计算估计，迭代细化先验，经实验证明其比固定先验的SBI提高了准确性。

Adversarial Prompts for Acceptance Collapse in Speculative Decoding

推测解码中用于接受崩溃的对抗性提示

Run Wang, Chaoyi Zhou, Xi Liu, Yi Zhu, Amir Salarpour, Pedram MohajerAnsari, Zhi-Qi Cheng, Feng Luo, Siyu Huang, Mert D. Pesé

机构 * Clemson University（克莱姆森大学） ； Wayne State University（韦恩州立大学） ； University of Washington（华盛顿大学） 纠错

AI总结 研究针对推测解码中草稿-目标对齐漏洞的攻击，提出ADSD方法，利用Soft-Collapse及目标保留目标生成对抗性后缀，在GSM8K数据集上验证其有效性，还证明该漏洞存在于多方面。

Stochastic optimization on matrices and a graphon McKean-Vlasov limit

矩阵上的随机优化与图核麦克-沃斯极限

Zaid Harchaoui, Sewoong Oh, Soumik Pal, Raghav Somani, Raghavendra Tripathi

机构 * Zaid Harchaoui Department of Statistics University of Washington Seattle WA 98195, USA Email ； Sewoong Oh Paul G. Allen School of Computer Science \& Engineering University of Washington Seattle WA 98195, USA Email ； Soumik Pal Department of Mathematics University of Washington Seattle WA 98195, USA Email ； Raghav Somani Paul G. Allen School of Computer Science \& Engineering University of Washington Seattle WA 98195, USA Email ； Raghavendra Tripathi Department of Mathematics University of Washington Seattle WA 98195, USA Email 纠错

AI总结 本文研究了在图核设定下，随机梯度下降算法的麦克-沃斯极限，引入了带有反射的随机微分方程和传播混沌概念。

Comments 37 pages+ references. Accepted version in Annals of Applied Probability

Journal ref Ann. Appl. Probab. 36(1): 355-392 (2026)

Learning to Reason for Factuality

学习进行事实性推理

Xilun Chen, Ilia Kulikov, Vincent-Pierre Berges, Barlas Oğuz, Rulin Shao, Gargi Ghosh, Jason Weston, Wen-tau Yih

机构 * FAIR at Meta（Meta 的 FAIR） ； University of Washington（华盛顿大学） 纠错

AI总结 研究推理大型语言模型在事实性推理方面的问题，提出同时考虑事实精度、响应细节和答案相关性的新型奖励函数，应用在线强化学习，使模型在长篇事实性基准测试中幻觉率降低、答案细节提升且响应帮助性无降。

Comments ICML 2026