Amazon（亚马逊）

Trust, but Don't Verify: Epistemic Blind Spots in LLM Source Evaluation

信任，但不验证：LLM 源评估中的认知盲点

Rohan N. Pradhan, Steve Goley

机构 * Amazon（亚马逊） 纠错

AI总结 研究语言模型在多源综合中是否评估证据质量，发现模型虽能检测伪造统计但未在综合中启用，而是依赖方法论-语域门控，导致数值有效性被抑制。

Provably Efficient Off-Policy Adversarial Imitation Learning with Convergence Guarantees

具有收敛保证的可证明高效的离策略对抗模仿学习

Yilei Chen, Vittorio Giammarino, James Queeney, Ioannis Ch. Paschalidis

机构 * Division of Systems Engineering（系统工程系） ； Department of Computer Science（计算机科学系） ； Amazon Robotics（亚马逊机器人） ； Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

AI总结 研究离策略对抗模仿学习算法的收敛特性与样本复杂性，证明重用特定策略生成的样本不影响收敛保证，且离策略更新的分布转移误差被更多数据带来的好处主导，为离策略AIL算法样本效率提供理论支持。

Comments TMLR 2026