Amazon（亚马逊）

Probing Diffusion Denoising Dynamics for Contrastive Representation Learning

探索用于对比表示学习的扩散去噪动力学

Yasong Dai, Zeeshan Hayder, David Ahmedt-Aristizabal, Hongdong Li

机构 * Australian National University（澳大利亚国立大学） ； CSIRO Data61（联邦科学与工业研究组织数据61实验室） ； Amazon（亚马逊） 纠错

AI总结 研究如何让预训练扩散模型的去噪动力学适应判别表示学习，提出D³CL方法，通过结合对比目标与去噪重建损失，利用LoRA更新保持轻量级，实验证明该方法能使重建与对比目标互补，是高效参数适应框架。

Estimating Uncertainty from Reasoning: A Large-Scale Study of Multi- and Crosslingual MCQA Performance in LLMs

从推理中估计不确定性：对大语言模型中多语言和跨语言MCQA性能的大规模研究

Andrea Bacciu, Andrea Alfarano, Saab Mansour, Amin Mantrach, Marcello Federico

机构 * INSAIT（萨格勒布信息与智能技术研究所） ； Amazon（亚马逊） 纠错

AI总结 研究对22种语言的不确定性估计方法进行大规模评估，使用两个人工整理的问答数据集，比较不同模型和架构下的UE方法。发现促使模型用英语推理可提升UE性能，缩小不同资源语言间的性能差距，且UE方法选择取决于模型规模，还给出了选择性预测阈值选择的分析。

Global Sequential Testing for Multi-Stream Auditing

多流审计的全局序贯检验

Beepul Bharti, Ambar Pal, Jeremias Sulam

机构 * Mathematical Institute for Data Science (MINDS), Johns Hopkins University（数据科学数学研究所（MINDS），约翰霍普金斯大学） ； Department of Biomedical Engineering, Johns Hopkins University（生物医学工程系，约翰霍普金斯大学） ； Amazon Responsible AI（亚马逊负责任人工智能） 纠错

AI总结 针对多数据流审计问题，提出基于鞅合并的序贯检验方法，在稀疏和密集备择假设下分别达到最优停止时间，并通过实验验证。

Multi-Metric Adaptive Experimental Design Under a Fixed Budget with Validation

固定预算下带验证的多指标自适应实验设计

Qining Zhang, Tanner Fiez, Yi Liu, Wenyang Liu

机构 * University of Michigan（密歇根大学） ； Amazon（亚马逊） 纠错

AI总结 针对在线实验中多指标测试的统计功效及AED推断统计量不足的问题，提出固定预算多指标AED框架，含探索与验证两阶段。提出SHRVar方法，其错误概率指数级降低，数值实验验证了该方法的性能与鲁棒性。

Comments Published in AISTATS 2026