Microsoft（微软）

Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction

通过概率性偏误校正增强人工智能和动力学亚季预测

Hannah Guan, Soukayna Mouatadid, Paulo Orenstein, Judah Cohen, Haiyu Dong, Zekun Ni, Jeremy Berman, Genevieve Flaspohler, Alex Lu, Jakob Schloer, Joshua Talib, Jonathan A. Weyn, Lester Mackey

机构 * Harvard College（哈佛学院） ； University of Toronto（多伦多大学） ； Instituto de Matemática Pura e Aplicada（数学与应用数学研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Atmospheric and Environmental Research（大气与环境研究） ； Microsoft Corporation（微软公司） ； Rhiza Research（Rhiza研究） ； Microsoft Research New England（微软新英格兰研究院） ； European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心） 纠错

AI总结 本文提出概率性偏误校正方法，通过学习历史概率预测来减少系统性误差，显著提升亚季预测能力，应用于ECMWF模型后，AI预测系统技能翻倍，操作性去偏模型在91%压力、92%温度和98%降水目标上表现更优。

Improving Language Agents through BREW: Bootstrapping expeRientially-learned Environmental knoWledge

通过BREW改进语言智能体：引导式经验学习环境知识

Shashank Kirtania, Param Biyani, Priyanshu Gupta, Yasharth Bajpai, Roshni Iyer, Sumit Gulwani, Gustavo Soares

机构 * University of Michigan（密歇根大学） ； Independent（独立研究者） ； Microsoft（微软） ； Apple（苹果公司） 纠错

AI总结 研究基于LLM的智能体无法从经验学习的问题，提出BREW框架，通过提炼交互轨迹成知识库、引入EG-MCTS算法及适应事后重标记等方法，在多基准测试中提升任务成功率并减少执行步骤，且知识库具有良好特性。

Ruby: Unmasking Unsafe Rust in Stripped Binaries via Machine Learning

Ruby：通过机器学习揭示剥离二进制文件中的不安全Rust

Xiang Cheng, Sangdon Park, HyungSeok Han, Xiaokuan Zhang, Taesoo Kim

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Pohang University of Science and Technology（釜山科学技术大学） ； Microsoft（微软公司） ； George Mason University（乔治·梅奥大学） 纠错

AI总结 研究旨在揭示Rust二进制文件中的不安全区域，核心方法是用机器学习工具Ruby捕获二进制指令差异，主要贡献为识别大部分不安全区域且误报率低，应用于指导符号执行和模糊测试有显著速度提升并帮助修复安卓库漏洞。

Comments Accepted to DSN 2026