Google（谷歌）

Learning from Equivalence Queries, Revisited

重新审视从等价查询中学习

Mark Braverman, Roi Livni, Yishay Mansour, Shay Moran, Kobbi Nissim

机构 * Princeton and Google（普林斯顿大学和谷歌） ； Tel-Aviv University and Google（特拉维夫大学和谷歌） ； Technion and Google（技术学院和谷歌） ； Georgetown and Google（乔治城大学和谷歌） 纠错

AI总结 针对现代机器学习系统部署-反馈-更新的循环，本文重新审视Angluin的等价查询学习模型，引入对称对抗环境并分析全信息和赌博机反馈下的学习轮数界。

Human-AI Complementarity: A Goal for Amplified Oversight

人机互补：增强监督的目标

Rishub Jain, Sophie Bridgers, Lili Janzer, Rory Greig, Tian Huey Teh, Vladimir Mikulik

机构 * Google DeepMind（谷歌DeepMind） 纠错

AI总结 针对AI输出的事实核查问题，结合AI评分与人类评分优于单独使用任一方法，但AI辅助类型影响信任度，为超越人类专家性能的AI系统监督提供启示。

Computationally-efficient Graph Modeling with Refined Graph Random Features

基于精细化图随机特征的高效图建模

Krzysztof Choromanski, Avinava Dubey, Arijit Sehanobish, Isaac Reid

机构 * Google DeepMind（谷歌DeepMind） ； Columbia University（哥伦比亚大学） ； Google Research（谷歌研究） 纠错

AI总结 提出精细化图随机特征（GRFs++），通过行走拼接技术解决传统GRFs难以建模远距离节点关系的问题，在保持无偏性的同时提高计算效率，并扩展了行走终止机制以提升图核近似精度。

Comments ICML 2026