Amazon（亚马逊） - arXivDaily 大厂专区

2606.11045 2026-06-10 cs.AI cs.LG 新提交

What Fits (Into Few Tokens) Doesn't Overfit: Compression and Generalization in ML Research Agents

什么适合（少量标记）就不会过拟合：ML研究智能体中的压缩与泛化

Martin Andres Bertran, Aaron Roth, Zhiwei Steven Wu

机构 * Amazon Responsible AI（亚马逊负责任人工智能）； University of Pennsylvania（宾夕法尼亚大学）； Carnegie Mellon University（卡内基梅隆大学）

AI总结研究LLM驱动的科研智能体在输出和输入压缩下能否保持性能，发现短提示和可压缩反馈足以复现高性能模型，支持成功策略位于低复杂度区域的假设。

2606.09848 2026-06-10 cs.HC cs.AI cs.CY 新提交

人机协调区域：设计具有代理性AI的人机协同体验框架

James Pierce, Vaiva Kalnikaitė, Siddharth Gupta, Brian Granger

机构 * Amazon Web Services（亚马逊网络服务）

AI总结提出人机协调框架，通过显著性、参与度和活动三个维度定义协调区域，并提供输入分类、协调曲线和设计模式，用于生成、分析和沟通人机交互体验。

2604.20024 2026-06-10 cs.LG 版本更新

基于UCB探索的可复现Bandits

Rohan Deb, Udaya Ghai, Karan Singh, Arindam Banerjee

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）； Amazon（亚马逊）； Carnegie Mellon University（卡内基梅隆大学）

AI总结研究随机多臂老虎机和线性老虎机中基于UCB探索的可复现算法，提出RepUCB和RepLinUCB，分别实现最优遗憾界，显著降低可复现性代价。