Google（谷歌）

Forecasting Motion in the Wild

野外运动预测

Neerja Thakkar, Shiry Ginosar, Jacob Walker, Jitendra Malik, Joao Carreira, Carl Doersch

机构 * UC Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） 纠错

AI总结 本文提出密集点轨迹作为行为视觉标记，设计扩散变换器模型，实现复杂运动模式的预测，并通过300小时野生动物视频验证了其高效性和泛化能力。

Comments project page: https://motion-forecasting.github.io/

Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap

去混淆分数与因果效应估计中的弱重叠

Oscar Clivio, Alexander D'Amour, Alexander Franks, David Bruns-Smith, Chris Holmes, Avi Feller

机构 * University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Stanford University（斯坦福大学） ； Ellison Institute of Technology（埃里森技术研究所） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出去混淆分数以改善因果效应估计中的重叠问题，通过最小化重叠分歧并推导广义线性模型下的闭式表达式，验证了前瞻性分数在该类中的最优性。

Comments To appear at AISTATS 2026

Optimistic Actor-Critic with Parametric Policies for Linear Markov Decision Processes

乐观Actor-Critic方法用于线性马尔可夫决策过程的参数策略

Max Qiushi Lin, Reza Asad, Kevin Tan, Haque Ishfaq, Csaba Szepesvari, Sharan Vaswani

机构 * Simon Fraser University（西蒙菲莎大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Mila, McGill University（Mila，麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； University of Alberta（阿尔伯塔大学） 纠错

AI总结 本文提出一种乐观Actor-Critic框架，采用参数化logit匹配回归目标和近似汤普森采样，实现线性MDP中高效的样本复杂度。

Comments 61 pages, 9 figures

Large Language Models in the Abuse Detection Pipeline

大语言模型在滥用检测流水线中的应用

Suraj Kath, Sanket Badhe, Preet Shah, Ashwin Sampathkumar, Shivani Gupta

机构 * Google LLC（谷歌有限责任公司） 纠错

AI总结 本文探讨大语言模型在滥用检测生命周期中的应用，分析其在标签生成、检测、审核及审计等阶段的作用，并讨论其面临的挑战与未来研究方向。