Microsoft（微软）

Overconfidence and Calibration in Medical VQA: Empirical Findings and Hallucination-Aware Mitigation

过度自信与校准在医学视觉问答中的研究：实证发现与幻觉意识缓解

Ji Young Byun, Young-Jin Park, Jean-Philippe Corbeil, Asma Ben Abacha

机构 * Johns Hopkins University, School of Medicine（约翰霍普金斯大学医学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Microsoft Healthcare & Life Sciences（微软医疗健康与生命科学） 纠错

AI总结 本文研究了医学VQA中VLMs的过度自信问题，发现校准方法如Platt缩放能有效提升校准精度，但无法提升预测区分度，提出幻觉意识校准方法以提高可靠性。

Attribution Gradients: Incrementally Unfolding Citations for Critical Examination of Attributed AI Answers

归因梯度：逐步展开引用以批判性审查归因AI答案

Hita Kambhamettu, Alyssa Hwang, Philippe Laban, Andrew Head

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出归因梯度技术，通过整合证据量、支持/矛盾摘录、源链接和上下文解释，提升引用信息的清晰度，并能展开二级引用，提升批判性阅读任务中的深度理解。

Amortized Inference of Causal Models via Conditional Fixed-Point Iterations

通过条件固定点迭代实现因果模型的 amortized 推断

Divyat Mahajan, Jannes Gladrow, Agrin Hilmkil, Cheng Zhang, Meyer Scetbon

机构 * Mila, Université de Montréal（蒙特利尔大学米拉研究所） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出一种 amortized 推断框架，通过条件固定点迭代推断因果模型的因果机制，能够在不更新参数的情况下生成观测和干预数据，实验表明其在数据稀缺时表现更优。

Comments Transactions on Machine Learning Research (TMLR) 2025 (J2C Certification). ICLR 2026