University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Amortized Probabilistic Retrieval of Atmospheric CO2 from OCO-2 Spectra Using Deep Learning with Laplace Approximations and Normalizing Flows

基于深度学习的OCO-2光谱大气CO2摊销概率检索：结合拉普拉斯近似与归一化流

Alejandro Calle-Saldarriaga, Felix Jimenez, Jack Grosskreuz, Jiazheng Wang, Jonathan Hobbs, Matthias Katzfuss

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室） 纠错

AI总结 提出深度学习框架，利用拉普拉斯近似和归一化流从OCO-2光谱中快速、准确地检索大气CO2浓度，并量化不确定性，相比传统方法加速数个数量级且精度更高。

Comments 23 pages, 8 figures

Combating Data Laundering in LLM Training

对抗LLM训练中的数据清洗

Muxing Li, Zesheng Ye, Sharon Li, Feng Liu

机构 * University of Melbourne（墨尔本大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 针对数据清洗（通过变换风格隐藏数据来源）导致传统检测失效的问题，提出基于辅助LLM推断变换目标并合成查询的SDR方法，显著增强数据滥用检测能力。

Comments 29 pages, 2 figures

Learning from Biased and Costly Data Sources: Minimax-optimal Data Collection under a Budget

从有偏且昂贵的数据源学习：预算下的极小极大最优数据收集

Michael O. Harding, Vikas Singh, Kirthevasan Kandasamy

机构 * Department of Statistics University of Wisconsin-Madison（统计学系威斯康星大学麦迪逊分校） ； Department of Biostatistics University of Wisconsin-Madison（生物统计学系威斯康星大学麦迪逊分校） ； Department of Computer Sciences University of Wisconsin-Madison（计算机科学系威斯康星大学麦迪逊分校） 纠错

AI总结 针对预算固定的多源数据收集问题，提出最大化有效样本量的采样方案，结合事后分层估计器，实现极小极大最优风险。

Comments COLT 2026

MiniFool -- Physics-Constraint-Aware Minimizer-Based Adversarial Attacks in Deep Neural Networks

MiniFool——深度神经网络中基于物理约束感知的最小化器对抗攻击

Lucie Flek, Oliver Janik, Philipp Alexander Jung, Akbar Karimi, Timo Saala, Alexander Schmidt, Matthias Schott, Philipp Soldin, Matthias Thiesmeyer, Christopher Wiebusch, Ulrich Willemsen

机构 * Bonn-Aachen International Center for Information Technology（波恩-亚琛国际信息科技中心） ； University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） ； North Rhine-Westphalia（北莱茵-威斯特法伦州） ； RWTH Aachen University（亚琛工业大学） ； III. Physikalisches Institut B（物理研究所B） ； III. Physikalisches Institut A（物理研究所A） ； Physikalisches Institut（物理研究所） ； Erlangen Centre for Astroparticle Physics（埃朗根天体粒子物理中心） ； Friedrich-Alexander-Universität Erlangen-Nürnberg（埃朗根-纽伦堡弗里德里希-亚历山大大学） ； Dept. of Physics and Wisconsin IceCube Particle Astrophysics Center（物理系和威斯康星冰立方粒子天体物理学中心） ； University of Wisconsin—Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 提出MiniFool算法，通过最小化结合χ²检验统计量与目标分数偏差的代价函数，生成物理感知的对抗样本，用于测试粒子与天体物理中的神经网络分类器，并量化网络决策的鲁棒性。

Comments Submitted to Computing and Software for Big Science

Journal ref Published in: Eur.Phys.J.C 86 (2026) 6, 641