Google（谷歌）

Croissant Baker: Metadata Generation for Discoverable, Governable, and Reusable ML Datasets

饼干师：用于可发现、可治理和可重用的机器学习数据集元数据生成

Rafi Al Attrach, Rajna Fani, Sebastian Lobentanzer, Joan Giner-Miguelez, Debanshu Das, Varuni H. K., Nobin Sarwar, Rajat Ghosh, Anwai Archit, Surbhi Motghare, Christina Conrad Parry, Luis Oala, Lara Grosso, Joaquin Vanschoren, Steffen Vogler, Sujata Goswami, Eric S. Rosenthal, Marzyeh Ghassemi, Matthew McDermott, Tom Pollard

机构 * Technical University of Munich（慕尼黑技术大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Helmholtz Munich（海德堡-慕尼黑研究所以及医学中心） ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； Google（谷歌） ； Couchbase（Couchbase公司） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Nutanix（Nutanix公司） ； Georg-August-University Göttingen（哥廷根大学） ； Salesforce（Salesforce公司） ； Sage Bionetworks（Sage Bionetworks公司） ； Dotphoton（Dotphoton公司） ； Harvard University（哈佛大学） ； Eindhoven University of Technology（埃因霍温理工大学） ； Bayer AG（拜耳公司） ； Independent Researcher（独立研究者） ； Massachusetts General Hospital（麻省总医院） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文提出Croissant Baker，一种本地优先的开源命令行工具，可直接从数据集目录生成验证过的Croissant元数据，通过模块化处理程序注册表，支持大规模数据集，如MIMIC-IV，达到97-100%的准确率。

Comments 23 pages, 5 figures, 11 tables. Project: https://lcp.mit.edu/croissant-baker/ Code: https://github.com/MIT-LCP/croissant-baker

Editor's Choice: Evaluating Abstract Intent in Image Editing through Atomic Entity Analysis

编辑推荐：通过原子实体分析评估图像编辑中的抽象意图

Mor Ventura, Roy Hirsch, Yonatan Bitton, Regev Cohen, Roi Reichart

机构 * Technion – Israel Institute of Technology（技术ion – 以色列理工学院） ； Google Research（谷歌研究） 纠错

AI总结 本文提出通过原子实体分析评估图像编辑中抽象意图的方法，引入Entity-Rubrics框架并构建AbstractEdit基准，揭示现有模型在平衡意图与保留之间的挑战，强调结合先进LLM和迭代思维的重要性。

LiSA: Lifelong Safety Adaptation via Conservative Policy Induction

LiSA: 通过保守策略诱导实现终身安全适应

Minbeom Kim, Lesly Miculicich, Bhavana Dalvi Mishra, Mihir Parmar, Phillip Wallis, Bharath Chandrasekhar, Kyomin Jung, Tomas Pfister, Long T. Le

机构 * Google Cloud AI Research（谷歌云人工智能研究） 纠错

AI总结 LiSA通过结构化记忆提升固定基础防护机制，在稀疏反馈下优于记忆基基线，保持噪声反馈下的鲁棒性，并推动延迟-性能前沿。

Comments 27 pages, 3 figures

Prompting Policies for Multi-step Reasoning and Tool-Use in Black-box LLMs with Iterative Distillation of Experience

多步推理和工具使用中黑盒LLM的提示策略：基于经验迭代蒸馏的强化学习框架

Krishna Sayana, Ketan Todi, Ambarish Jash

机构 * Google Research（谷歌研究） 纠错

AI总结 本文提出基于经验迭代蒸馏的强化学习框架，用于训练提示策略以提升黑盒LLM的多步推理和工具使用能力，实验显示在逻辑推理和工具使用任务中性能显著提升。

Comments 10 pages and reference, appendix

Nexus : An Agentic Framework for Time Series Forecasting

Nexus：一个用于时间序列预测的代理框架

Sarkar Snigdha Sarathi Das, Palash Goyal, Mihir Parmar, Nanyun Peng, Vishy Tirumalashetty, Chun-Liang Li, Rui Zhang, Jinsung Yoon, Tomas Pfister

机构 * Google（谷歌） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 Nexus框架通过分解预测任务，整合上下文信息，提升时间序列预测的准确性与可解释性，超越传统模型和LLM的局限。

Comments 30 Pages, 3 figures, 5 Tables

Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability

动作条件化风险门控用于部分可观测下的安全关键控制

Yushen Liu, Yin-Jen Chen, Ziyi Chen, Tao Wang, Heng Huang, Xugui Zhou, Yanfu Zhang

机构 * University of Virginia（弗吉尼亚大学） ； Google（谷歌） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； Stanford University（斯坦福大学） ； Louisiana State University（路易斯安那州立大学） ； College of William and Mary（威廉与玛丽学院） 纠错

AI总结 本文提出一种轻量级风险门控强化学习方法，用于部分可观测环境下风险敏感控制。通过构建紧凑的有限历史代理状态并学习动作条件化的短期安全违规预测，实现风险惩罚与决策时的保守评估，提升安全关键任务的性能与效率。

Stochastic Matching via Local Sparsification

通过局部稀疏化实现随机匹配

Sara Ahmadian, Edith Cohen, Mohammad Roghani

机构 * Google Research（谷歌研究） 纠错

AI总结 本文提出一种两阶段局部稀疏化框架，解决局部通信带宽限制下的随机匹配问题，通过局部预算限制和全局优化平衡，实验证明在高约束下可实现近最优匹配。