Amazon（亚马逊）

Average Gradient Outer Product in kernel regression provably recovers the central subspace for multi-index models

核回归中的平均梯度外积在多索引模型中可证明恢复中心子空间

Libin Zhu, Damek Davis, Dmitriy Drusvyatskiy, Maryam Fazel

机构 * Department of Mathematics, University of Washington, Seattle, WA 98195（华盛顿大学数学系，华盛顿州西雅图98195） ； Wharton Department of Statistics and Data Science, University of Pennsylvania, Philadelphia, PA 19104, USA（宾夕法尼亚大学沃顿统计与数据科学系，美国费城19104） ； Department of Mathematics, U. Washington, Seattle, WA 98195（华盛顿大学数学系，华盛顿州西雅图98195） ； Department of Electrical & Computer Engineering, University of Washington, Seattle, WA 98195, and Amazon, Inc（华盛顿大学电气与计算机工程系，华盛顿州西雅图98195，亚马逊公司） 纠错

AI总结 本文研究了在有限样本下通过核岭回归恢复多索引模型中心子空间的方法，证明了平均梯度外积的前r个特征空间能有效恢复中心子空间，展示了预测与表示的分离性。

Comments 95 pages, 12 figures

Optimal Pattern Detection Tree for Symbolic Rule-Based Classification

符号规则分类中的最优模式检测树

Young-Chae Hong, Yangho Chen

机构 * Amazon（亚马逊） 纠错

AI总结 本文提出最优模式检测树（OPDT），通过混合整数规划发现数据中的最优模式，结合领域知识约束提升模型透明度和解释性。

Comments Published in Transactions on Machine Learning Research (TMLR). 26 pages, 4 figures. OpenReview URL: https://openreview.net/forum?id=RJ6eMDcDCv

Journal ref Transactions on Machine Learning Research (2026)

MetaAgent-X : Breaking the Ceiling of Automatic Multi-Agent Systems via End-to-End Reinforcement Learning

MetaAgent-X：通过端到端强化学习打破自动多智能体系统的天花板

Yaolun Zhang, Yujie Zhao, Nan Wang, Yiran Wu, Jiayu Chang, Yizhao Chen, Qingyun Wu, Jishen Zhao, Huazheng Wang

机构 * Oregon State University（俄勒冈州立大学） ； UCSD（加州大学圣迭戈分校） ； Amazon AGI（亚马逊人工智能实验室） ； Pennsylvania State University（宾夕法尼亚州立大学） ； AG2AI, Inc.（AG2AI公司） 纠错

AI总结 本文提出MetaAgent-X，通过端到端强化学习框架联合优化自动多智能体系统的设计与执行，实现脚本化生成、执行回放收集及信用分配，提升训练稳定性与可扩展性，取得21.7%的性能提升。

How to Scale Mixture-of-Experts: From muP to the Maximally Scale-Stable Parameterization

如何扩展专家混合模型：从muP到最大可扩展性参数化

Leena Chennuru Vankadara, Moritz Haas, Luke Hayward, Sebastian Bordt, Alessandro Breccia

机构 * Gatsby Computational Neuroscience Unit, University College London（Gatsby计算神经科学单元，伦敦大学学院） ； Amazon University of Tübingen, Tübingen AI Center（亚马逊图宾根大学，图宾根人工智能中心） 纠错

AI总结 本文研究了专家混合模型（MoE）在不同扩展制度下的参数缩放问题，提出最大可扩展性参数化（MSSP）以实现稳定性和性能优化。

BRIDGE: Building Representations In Domain Guided Program Synthesis

BRIDGE: 在领域引导的程序合成中构建表示

Robert Joseph George, Carson Eisenach, Udaya Ghai, Dominique Perrault-Joncas, Anima Anandkumar, Dean Foster

机构 * California Institute of Technology（加州理工学院） ； Amazon（亚马逊） 纠错

AI总结 BRIDGE通过多艺术ifacts程序合成框架提升Lean验证正确性，结合代码、规范和定理证明领域，提高生成效率和正确率。

Comments 41 pages, 10 figures, 3 tables. Preprint

SVAG-Bench: A Large-Scale Benchmark for Multi-Instance Spatio-temporal Video Action Grounding

SVAG-Bench：多实例时空视频动作定位的大规模基准

Tanveer Hannan, Shuaicong Wu, Mark Weber, Suprosanna Shit, Jindong Gu, Rajat Koner, Aljoša Ošep, Laura Leal-Taixé, Thomas Seidl

机构 * LMU Munich（慕尼黑大学） ； MCML ； Technical University of Munich（慕尼黑技术大学） ； University of Zurich（苏黎世大学） ； University of Oxford（牛津大学） ； Amazon（亚马逊） ； NVIDIA（英伟达） 纠错

AI总结 SVAG-Bench通过多实例整合任务，评估模型在复杂场景中对动作的时空定位能力，包含688个视频和19590个注释，支持细粒度评估多主体歧义消除和动作组合性。

Understanding High-Dimensional Bayesian Optimization

理解高维贝叶斯优化

Leonard Papenmeier, Matthias Poloczek, Luigi Nardi

机构 * Department of Computer Science, Lund University, Lund, Sweden（隆德大学计算机科学系） ； Amazon（亚马逊） 纠错

AI总结 本文研究高维贝叶斯优化失败原因，发现高斯过程初始化导致梯度消失是关键问题，提出基于最大似然估计的改进方法在实际应用中表现优异。

Comments 22 pages, 21 figures. Accepted to ICML 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:47902-47923, 2025

Increasing the Scope as You Learn: Adaptive Bayesian Optimization in Nested Subspaces

扩大学习范围：嵌套子空间中的自适应贝叶斯优化

Leonard Papenmeier, Luigi Nardi, Matthias Poloczek

机构 * Lund University（吕勒欧大学） ； Stanford University（斯坦福大学） ； DBtune ； Amazon（亚马逊） 纠错

AI总结 本文提出BAxUS方法，通过嵌套随机子空间自适应优化空间，提升高维贝叶斯优化性能，理论保证其鲁棒性并在多种应用中表现更优。

Comments 28 pages, 8 figures. Accepted to NeurIPS 2022. This is the revised version and includes the appendix

Journal ref Advances in Neural Information Processing Systems 35 (NeurIPS 2022), pp. 11586-11601