FARE: Deep Reinforcement Learning For Fair Exposure Constrained Uncertainty Aware Financial Content Personalization
FARE提出将SOV约束排序建模为深度强化学习，并引入CTR预测不确定性到策略设计，通过模块化执行层实现公平曝光，减少偏差同时最小化参与度损失。
2026-09-29 cs.AI cs.IR cs.LG
WebSailor-V2: Bridging the Chasm to Proprietary Agents via Synthetic Data and Scalable Reinforcement Learning
针对开源智能体缺乏在复杂信息检索中降低极端不确定性的推理模式，提出WebSailor后训练方法，通过合成高不确定性任务、RFT冷启动及DUPO算法，成功匹敌专有智能体性能并弥合能力鸿沟。
2025-09-16 cs.CL cs.LG
Personalize Your LLM: Fake it then Align it
University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
为解决LLM个性化微调成本高及检索方法依赖高质量数据的问题，提出CHAMELEON方法，利用自生成偏好数据与表示编辑实现高效个性化，在LaMP等任务上平均超越基线40%。
2025-03-05 cs.LG
Privacy-Preserving Bandits
Queen Mary University of London（伦敦玛丽女王大学）；Brave Software（勇敢软件公司）；Imperial College London（帝国理工学院）
上下文强盗算法（CBAs）通常依赖于个人数据来提供建议。集中式CBA代理利用来自最近交互的潜在敏感数据为最终用户提供个性化服务。通过在用户的设备上运行本地代理，将敏感数据保持在本地，保护了用户的隐私，然而，代理需要更长的时间来产生有用的建议，因为它不利用来自其他用户的反馈。本文提出了一种技术，我们称之为隐私保护的强盗（P2B），一个系统，更新本地代理通过收集反馈，从其他本地代理在一个不同的私人方式。我们所提出的方法与非私人，以及一个完全私人（本地）系统的比较，显示合成基准和现实世界的数据的竞争力表现。具体来说，我们观察到多标签分类准确率仅下降了2.6%和3.6%，而在线广告的CTR增加了0.0025，用于隐私预算$ε\approx 0.693$。这些结果表明，P2B是解决设备上隐私保护个性化挑战的有效方法。
2020-03-11 cs.CR cs.LG cs.MA
Towards Scalable Adaptive Learning with Graph Neural Networks and Reinforcement Learning
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Centre Borelli（博雷利中心）；onepoint（一点公司）；Inria Saclay（法国国家信息与自动化研究所萨克雷分院）
本文提出一种基于图神经网络和强化学习的灵活可扩展序列推荐系统，用于学习路径个性化，在模拟学习者上验证了其在小数据场景下的良好推荐能力。
2023-05-10 cs.AI cs.LG
Explain Less, Understand More: Data-Efficient Personalization of Reader-Dependent Jargons
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；William & Mary（威廉与玛丽学院）
本研究针对个性化术语检测的资源消耗问题，提出基于LoRA的轻量级微调与个性化提示策略，结合半监督学习，在仅用10%标注数据下超越GPT-4，实现高效低资源的用户自适应NLP系统。
2026-09-22 cs.AI cs.CL cs.LG
Evaluating LLM Personalization via Semantic Constraint Verification
University of New South Wales（新南威尔士大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；The Technology Innovation Institute（技术创新研究所）；The Hong Kong University of Science and Technology（香港科技大学）
提出NLICV框架，利用自然语言推理模型将句子映射到真值条件集，验证个性化约束，将LLM行为分为四类，与人类标注高度一致，并大幅降低延迟和成本。
2026-06-16 cs.CL cs.LG
Know Your Personalization: Learning Topic level Personalization in Online Services
Bell Labs Research（贝尔实验室研究院）
在线服务平台（OSP），例如搜索引擎、新闻网站、广告提供商等，基于从用户与OSP的历史中提取的简档，向用户提供高度个性化的内容。虽然个性化（通常）会带来更好的用户体验，但它也会引起用户的隐私问题-他不知道他的个人资料中有什么，更重要的是，他不知道什么被用来个性化内容。在本文中，我们捕获OSP的个性化用户在一个新的数据结构，称为个性化向量（$η$），这是一个加权向量的一组主题，并提出技术来计算它的用户的OSP。我们的方法将OSP视为黑盒，并通过只挖掘其输出来提取$η$，具体地，个性化（针对用户）和普通（没有任何用户信息）内容以及这些内容的差异。我们制定了一个新的模型，称为潜在主题个性化（LTP），捕捉到一个学习框架的个性化向量，并提出了有效的推理算法it.We做了大量的实验，搜索结果个性化使用的数据，从真正的谷歌用户和合成数据集。我们的研究结果表明，高精度（R-pre = 84%）的LTP在寻找个性化的主题。对于Google数据，我们的定性结果显示了LTP如何也可以识别证据--对具有高$η$值的主题结果的查询被重新排序。最后，我们展示了我们的方法可以用来建立一个新的隐私评估框架，专注于最终用户的隐私商业OSP。
2012-12-14 cs.IR cs.LG
Text is All You Need: Personalizing ASR Models using Controllable Speech Synthesis
Apple（苹果公司）
由于个性化数据的稀缺性，使通用语音识别模型适应特定个体是一个具有挑战性的问题。最近的工作已经提出使用个性化的文本到语音合成来提高训练数据的量。在这里，我们提出了关于这种策略的两个基本问题：合成数据何时对个性化有效，以及为什么在这些情况下有效？为了解决第一个问题，我们采用了一个国家的最先进的自动语音识别（ASR）模型的目标扬声器从四个基准数据集代表不同的扬声器类型。我们表明，合成数据的ASR个性化在所有情况下都是有效的，但特别是当（i）目标说话人在全局数据中代表性不足，以及（ii）全局模型的容量有限时。为了解决第二个问题，为什么个性化的合成数据是有效的，我们使用可控的语音合成来生成具有不同风格和内容的语音。令人惊讶的是，我们发现，文本内容的合成数据，而不是风格，是重要的发言人适应。这些结果使我们提出了一个数据选择策略的基础上语音内容的ASR个性化。
2023-03-27 cs.LG cs.SD eess.AS
ReGain: Restoring Subject Fidelity in Personalization on Synthetic Images
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对合成图像微调导致主体保真度下降的问题，提出无需训练的采样时校正方法 ReGain，通过按频段缩放引导来消除 CFG 膨胀，显著缩小保真度差距并保持文本对齐。
2026-10-01 cs.AI cs.CV cs.LG
Data-Topology Compatibility Enables Personalization in Decentralized Learning
University of Edinburgh（爱丁堡大学）；KTH（皇家理工学院）；PolyU（香港理工大学）
本文针对去中心化学习中协作与个性化的平衡问题，提出数据-拓扑兼容性可实现轨道式个性化，其平稳平均超额风险低于独立局部训练和最佳单一共享参数，实验验证了理论结果。
2026-10-14 cs.LG stat.ML
FSPO: Few-Shot Optimization of Synthetic Preferences Personalizes to Real Users
Stanford University（斯坦福大学）；OpenAI；Google DeepMind（谷歌DeepMind）
FSPO通过少样本优化合成偏好实现LLM个性化，利用用户描述理性化提升奖励建模和指令遵循，生成100万合成偏好数据，在三个领域实现87%的Alpaca Eval胜率。
2026-04-16 cs.AI cs.CL cs.HC
GEM+: Scalable State-of-the-Art Private Synthetic Data with Generator Networks
Meta Platforms, Inc.（Meta平台公司）
针对现有差分隐私表格合成数据方法在高维场景下计算开销大、可扩展性不足的问题，提出融合AIM自适应测量框架与GEM生成器网络的GEM+，在效用和可扩展性上均优于AIM，可高效处理百列以上数据集。
2025-11-12 cs.LG
Hybrid Intent-Aware Personalization with Machine Learning and RAG-Enabled Large Language Models for Financial Services Marketing
本文提出一种混合架构，结合传统机器学习与RAG增强的大语言模型，用于金融服务营销中的个性化营销，通过时间编码器、潜在表示和多任务分类提高个性化准确性。
2026-03-11 cs.AI cs.IR cs.LG
Fine-Tuning Personalization in Federated Learning to Mitigate Adversarial Clients
Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本文研究联邦学习中存在对抗性客户端时的个性化策略，通过理论分析刻画完全协作失效的条件，并给出依据数据异质性和对抗客户端比例调整协作水平的准则，实验验证了微调个性化的有效性。
2024-09-30 cs.CR cs.LG
EXACT: Explicit Attribute-Guided Decoding-Time Personalization
Department of Statistics, the Pennsylvania State University, PA, USA（统计系，宾夕法尼亚州立大学）；University of Southern California, CA, USA（南加州大学）
EXACT通过显式属性引导解码时个性化，利用预定义可解释属性提升生成质量，有效缓解上下文偏好变化。
2026-02-06 cs.AI cs.IR cs.LG
Bridging Generalization and Personalization in Human Activity Recognition via On-Device Few-Shot Learning
Tsinghua University, Sanechips Technology Co.,Ltd.（清华大学，善能芯片技术有限公司）；ETH Zürich（苏黎世联邦理工学院）；DFKI Kaiserslautern（达姆施塔特人工智能研究所）；DFKI and RPTU Kaiserslautern（达姆施塔特人工智能研究所和鲁尔大学）
提出设备端少样本学习框架，在RISC-V微控制器上实现HAR的泛化与个性化统一，仅需少量样本即可适应新用户，在三个基准数据集上分别提升准确率3.73%、17.38%和3.70%。
2025-09-07 cs.AI cs.LG
Personalization Improves Privacy-Accuracy Tradeoffs in Federated Learning
New York University（纽约大学）；University of Southern California（南加州大学）；Microsoft Research（微软研究院）；Carnegie Mellon University（卡内基梅隆大学）
大规模机器学习系统通常涉及分布在用户集合中的数据。联邦学习算法通过将模型更新传递到中央服务器而不是整个数据集来利用这种结构。在本文中，我们研究了随机最优化算法的个性化联邦学习设置，涉及本地和全球模型的用户级（联合）差分隐私。虽然学习私有全局模型会导致隐私成本，但局部学习是完全私有的。我们提供的泛化保证表明，协调本地学习与私人集中式学习产生了普遍有用的和改进的准确性和隐私之间的权衡。我们用合成和真实世界数据集上的实验来说明我们的理论结果。
2022-07-15 cs.CR cs.LG math.OC
Certified Robustness in Federated Learning
King Abdullah Univerity of Science and Technology (KAUST)（阿卜杜拉国王科技大学（KAUST））
联邦学习最近获得了极大的关注和普及，由于其在分布式数据上私下训练机器学习模型的有效性。然而，与单节点监督学习设置一样，在联邦学习中训练的模型容易受到被称为对抗攻击的不可感知的输入转换的影响，质疑它们在安全相关应用中的部署。在这项工作中，我们研究了联邦训练，个性化和认证的鲁棒性之间的相互作用。特别是，我们部署了随机平滑，这是一种广泛使用的可扩展的认证方法，用于认证在联邦设置上训练的深度网络，以防止输入扰动和转换。我们发现，简单的联邦平均技术是有效的，不仅更准确，而且更可靠的鲁棒性模型，相比，训练只在本地数据。我们进一步分析了个性化，这是联邦训练中的一种流行技术，它增加了模型对本地数据的偏见，增强了鲁棒性。我们展示了个性化的几个优势，在构建更强大的模型和更快的训练方面。最后，我们探讨了全局和局部（即个性化）模型混合的鲁棒性，发现局部模型的鲁棒性随着它们偏离全局模型而降低
2022-10-26 cs.LG
Federated User Representation Learning
University of Michigan（密歇根大学）；Facebook（脸书）
协作个性化，例如通过学习用户表示（嵌入），可以显着提高基于神经网络的模型的预测准确性。我们提出了联合用户表示学习（FURL），一个简单的，可扩展的，隐私保护和资源有效的方式来利用现有的神经个性化技术在联邦学习（FL）设置。FURL将模型参数分为联邦参数和私有参数。私有参数（如私有用户嵌入）是在本地训练的，但与联邦参数不同，它们不会传输到服务器或在服务器上进行平均。我们从理论上证明，这种参数分割不影响大多数模型个性化方法的训练。本地存储用户嵌入不仅可以保护用户隐私，而且与服务器上的训练相比，还可以提高个性化的内存局部性。我们在两个数据集上评估了FURL，结果表明模型质量有了显著提高，性能分别提高了8%和51%，与集中式训练的性能水平大致相同，仅降低了0%和4%。此外，我们发现在FL和集中式设置中学习的用户嵌入具有非常相似的结构，这表明FURL可以通过共享参数进行协作学习，同时保护用户隐私。
2019-09-27 cs.LG stat.ML
Memory-Efficient Personalization of Text-to-Image Diffusion Models via Selective Optimization Strategies
Qualcomm AI Research（高通人工智能研究）
针对文本到图像扩散模型的内存高效个性化需求，提出结合低分辨率反向传播与高分辨率零阶优化的选择性框架，辅以时间步感知策略，在降内存的同时实现有竞争力的设备端个性化性能。
2025-09-01 cs.CV cs.LG
Sparse Personalized Federated Learning
Tianjin University（天津大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
联邦学习（FL）是一种协作机器学习技术，用于训练全局模型，而无需获取客户的私有数据。FL的主要挑战是客户端之间的统计多样性，客户端设备之间有限的计算能力，以及服务器和客户端之间的通信开销过大。为了解决这些挑战，我们提出了一种新的稀疏个性化联邦学习计划通过最大化相关性（FedMac）。通过在标准FL损失函数中引入近似的L1范数以及客户端模型与全局模型之间的相关性，与非稀疏FL相比，该算法提高了对统计多样性数据的处理性能，降低了网络中的通信和计算负载。收敛性分析表明，FedMac中的稀疏约束不影响全局模型的收敛速度，理论结果表明，FedMac算法能够实现较好的稀疏个性化，优于基于L2范数的个性化方法。在实验上，我们证明了这种稀疏个性化架构与最先进的个性化方法相比的优势（例如，FedMac在非i.i.d.下分别在MNIST，FMNIST，CIFAR-100，Synthetic和CINIC-10数据集上实现了98.95%，99.37%，90.90%，89.06%和73.52%的准确率）。变体）。
2023-03-05 cs.LG
Multimodal Prediction and Personalization of Photo Edits with Deep Generative Models
CSAIL, MIT（麻省理工学院）；Adobe Research（Adobe研究院）；Media Lab, MIT（麻省理工学院）；Google Brain（谷歌大脑）；Harvard（哈佛大学）
专业级软件应用程序功能强大但复杂$-$专家用户可以实现令人印象深刻的结果，但新手往往难以完成甚至基本的任务。照片编辑就是一个很好的例子：在加载一张照片后，用户会面对一系列神秘的滑块，比如“清晰度”、“温度”和“高光”。自动生成的建议可能会有所帮助，但对于给定的图像$-$没有单一的“正确”编辑。不同的专家在面对相同的图像时可能会做出非常不同的美学决定，并且单个专家可能会根据图像的预期用途（或一时兴起）做出不同的选择。因此，我们需要一个系统，可以提出多种多样的，高质量的编辑，同时也学习和适应用户的审美偏好。在这项工作中，我们开发了一个统计模型，满足这些目标。我们的模型建立在神经网络生成建模和可扩展推理的最新进展之上，并使用分层结构来学习许多不同用户的编辑模式。从经验上讲，我们发现我们的模型在这个具有挑战性的多模态预测任务上优于其他方法。
2017-04-17 cs.LG stat.ML
FedBKD: Distilled Federated Learning to Embrace Gerneralization and Personalization on Non-IID Data
Linklogis Inc.（Linklogis公司）
提出无数据蒸馏框架FedBKD，通过GAN生成数据并在全局与本地模型间双向蒸馏，在non-IID数据上同时提升泛化与个性化性能。
2025-06-25 cs.AI cs.CV cs.LG
From Statistical Fidelity to Clinical Consistency: Scalable Generation and Auditing of Synthetic Patient Trajectories
The University of Queensland（昆士兰大学）；The University of New South Wales（新南威尔士大学）；Shahid Sadoughi University of Medical Sciences（沙希德·萨多格伊医学科学与健康服务大学）；The University of Auckland（奥克兰大学）
本研究提出了一种生成和审计合成患者轨迹的方法，通过高保真生成和大规模审计确保临床一致性，从而提升数字健康研究中数据的安全性和有效性。
2026-03-06 cs.LG
A Real-Time Whole Page Personalization Framework for E-Commerce
Walmart Labs（沃尔玛实验室）
电子商业平台始终致力于提供个性化推荐，以推动用户参与，增强整体用户体验，并改善业务指标。大多数电子商业平台在其主页上包含多个旋转木马，每个旋转木马都试图捕捉购物体验的不同方面。考虑到不同的用户偏好，优化这些转盘的放置对于提高用户满意度至关重要。此外，轮播内的项目可以基于顺序的用户动作动态地改变，因此需要轮播的在线排名。在这项工作中，我们提出了一个可扩展的端到端的生产系统，以最佳的排名项目carousels在实时的【形】沃尔玛在线杂货主页。所提出的系统利用了一种新的模型，捕捉用户的亲和力不同的旋转木马和他们的可能性与以前看不见的项目进行交互。我们的系统是灵活的设计，很容易扩展到设置页面组件需要排名。我们提供了一个模型开发阶段和一个在线推理框架组成的系统架构。为了确保低延迟，在这些阶段实施了各种优化。我们进行了广泛的在线评估，以对照以往的经验。在生产中，我们的系统改善了项目发现，增加了在线参与度，并显着提升了主页上每位访问者的添加到购物车（ATC）。
2020-12-08 cs.IR cs.LG
Optimization-Driven Adaptive Experimentation
Columbia University（哥伦比亚大学）；Meta；University of Pittsburgh（匹兹堡大学）
针对现实实验中的批处理延迟反馈、非平稳性、多目标约束及个性化挑战，提出基于中心极限近似动态规划的数学规划框架，利用自动微分和GPU并行化，在数百个实例上优于静态随机对照试验，性能稳健。
2024-11-07 cs.LG
Sample-Efficient Personalization: Modeling User Parameters as Low Rank Plus Sparse Components
Google Research India（谷歌印度研究院）；Google Brain（谷歌大脑）
提出AMHT-LRS方法，将网络权重建模为低秩加稀疏组件，实现样本高效的个性化，并在理论上证明其近最优样本复杂度，同时提供差分隐私变体以保护用户隐私。
2023-09-06 cs.CR cs.LG math.OC
Towards Scalable Meta-Learning of near-optimal Interpretable Models via Synthetic Model Generations
Capital One
本文提出一种通过合成采样近最优决策树生成大规模预训练数据的方法，结合MetaTree Transformer架构，以更低计算成本实现与真实数据或最优树预训练相当的性能，推动可解释决策树元学习的可扩展发展。
2026-10-09 cs.AI cs.CL cs.LG
SaGess: Sampling Graph Denoising Diffusion Model for Scalable Graph Generation
The Alan Turing Institute（艾伦·图灵研究所）；University of Oxford（牛津大学）；University of Warwick（华威大学）；University of Glasgow（格拉斯哥大学）
本文提出SaGess，一种结合广义分治框架与DiGress的离散去噪扩散方法，通过采样子图覆盖生成大型现实世界网络，在图指标和链接预测任务上显著优于多数一次性最先进图生成方法。
2023-06-29 cs.LG
Privacy Preserving Recommender Systems Balancing Personalization with Privacy
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
研究个性化推荐系统中隐私保护问题，提出结合联邦学习、差分隐私等的框架，在合成零售数据集上实验，评估推荐质量指标，结果显示该框架在适度隐私预算下能保持竞争力，为隐私保护推荐系统提供实用框架。
2026-07-16 cs.AI cs.CR cs.LG
AutoRank: MCDA Based Rank Personalization for LoRA-Enabled Distributed Learning
The University of Sydney（悉尼大学）；University of Oxford（牛津大学）；Central South University（中南大学）
提出AutoRank自适应秩设置算法，利用MCDA方法TOPSIS和数据复杂性指标动态分配局部秩，有效解决分布式学习中Non-IID数据的手动秩配置难题，显著降低计算开销并加速收敛。
2024-12-20 cs.DC cs.LG
Federated Multimodal Learning with Dual Adapters and Selective Pruning for Communication and Computational Efficiency
Iowa State University（爱荷华州立大学）；Intel Labs（英特尔实验室）；Amazon（亚马逊）
本文提出一种联邦多模态学习框架，通过双适配器实现客户端个性化与全局知识共享，并结合选择性剪枝降低通信开销，在提升准确率和公平性的同时显著减少通信与计算成本。
2025-03-10 cs.LG
Exact Synthetic Populations for Scalable Societal and Market Modeling
institutetext: Emotia, France（Emotia机构）；STATION F
本研究提出了一种基于约束编程的合成人口生成方法，实现高精度人口统计控制，适用于社会与市场建模场景。
2025-12-08 cs.AI cs.LG stat.ML
Meta-Learning for Cold-Start Personalization in Prompt-Tuned LLMs
Northwestern University（西北大学）；Columbia University（哥伦比亚大学）
本文提出一种元学习框架，通过参数高效的提示微调实现LLM推荐系统的冷启动个性化，在多个数据集上超越基线并以275毫秒级实时适应能力支持金融风险画像。
2025-07-22 cs.AI cs.LG
Scalable Evaluation of the Realism of Synthetic Environmental Augmentations in Images
Advai Ltd（Advai有限公司）
本文提出了一种可扩展框架，用于评估合成环境增强图像的真实性，发现生成式AI在大多数条件下优于基于规则的方法。
2026-03-04 cs.CV cs.LG
Few-shot Generation of Personalized Neural Surrogates for Cardiac Simulation via Bayesian Meta-Learning
Rochester Institute of Technology（罗切斯特理工学院）；The University of Utah（犹他大学）；Dalhousie University（达尔豪斯大学）
个性化虚拟心脏模拟的临床应用面临着模型个性化和昂贵计算的挑战。虽然理想的解决方案是同时针对个体受试者个性化的有效神经代理，但最先进的技术要么涉及个性化昂贵的仿真模型，要么学习有效但通用的代理。本文提出了一个全新的概念，以实现个性化的神经代理在一个单一的连贯框架的元学习（元PNS）。我们不是学习单个神经代理，而是使用来自受试者的少量上下文数据来学习个性化神经代理的过程，这是一种新的Few-Shot生成建模的公式，其基础是：1）用于心脏模拟的集合条件神经代理，其以受试者特定的上下文数据为条件，学习生成不包括在上下文集合中的查询模拟，以及2）摊销变分推理的元模型，其通过上下文数据的简单前馈嵌入来学习调节神经代理。作为测试时间，MetaPNS通过快速前馈嵌入个人可用的少量灵活数据来提供个性化的神经代理，首次实现个性化和代理构建，用于在一个端到端学习框架中进行昂贵的模拟。合成和真实数据实验表明，与传统优化的心脏模拟模型相比，MetaPNS能够提高个性化和预测准确性，只需一小部分计算。
2022-10-06 cs.LG
Federated Personal Knowledge Graph Completion with Lightweight Large Language Models for Personalized Recommendations
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出FedTREK-LM框架，结合轻量级大语言模型、演化个人知识图谱和联邦学习，实现可扩展的去中心化个性化推荐，实验显示其在电影和食谱推荐中F1分数提升超4倍。
2026-02-25 cs.IR cs.LG
Bayesian Optimization on Large Graphs via a Graph Convolutional Generative Model: Application in Cardiac Model Personalization
Rochester Institute of Technology（罗切斯特理工学院）；Dalhousie University（达尔豪斯大学）
心脏模型的个性化涉及在心脏的非欧几里德几何模型上空间变化的器官组织特性的优化。为了表示高维（HD）未知的组织属性，大多数现有的作品依赖于低维（LD）的几何模型的分区。虽然这利用了心脏的几何形状，但它的表现力有限，无法允许足够小的分区进行有效的优化。最近，变分自动编码器（VAE）被用作一个更具表现力的生成模型，以嵌入到LD潜在空间的HD优化。然而，它的欧几里得性质忽略了心脏中丰富的几何信息。在本文中，我们提出了一种新的图卷积VAE，允许非欧数据的生成建模，并利用它将大型图的贝叶斯优化嵌入到一个小的潜在空间中。这种方法通过引入一种表达性生成模型来弥合以前作品的差距，该模型能够将底层几何结构的空间邻近性和层次组合性的知识结合起来。它还允许在不同的几何形状之间传输学习到的特征，这在常规VAE中是不可能的。我们证明了这些好处，所提出的方法在心脏电生理模型中估计组织兴奋性的合成和真实数据实验。
2020-05-18 cs.CV cs.LG eess.IV
Using AI Agents to Automate Black-Box Audits of Personalization Algorithms at Scale
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）
提出用生成式AI代理作为行为引擎进行黑盒审计，通过固定人设和反事实扰动解耦用户属性与行为，在X平台部署1120个代理发现算法推荐放大有毒、极化内容且效果因用户意识形态而异。
2026-07-01 cs.CL cs.CY cs.LG
Scalable and Privacy-Preserving Synthetic Data Generation on Decentralised Web
University of Oxford（牛津大学）；Alan Turing Institute（艾伦·图灵研究所）
本文提出利用安全 enclave 提升 Libertas 系统，实现去中心化网络上可扩展且隐私保护的合成数据生成。
2025-12-27 cs.CR cs.LG
SyGra: A Unified Graph-Based Framework for Scalable Generation, Quality Tagging, and Management of Synthetic Data
ServiceNow Inc.（ServiceNow公司）
SyGra提出一种统一的基于图的框架，用于可扩展生成、质量标记和管理合成数据，通过模块化管道和双阶段质量标记机制提升合成对话数据的质量和效率。
2025-12-11 cs.AI cs.CL cs.LG
Personalized Image Generation for Recommendations Beyond Catalogs
University of Michigan（密歇根大学）
REBECA通过直接学习隐含反馈信号实现高效个性化图像生成，无需微调扩散模型，提升大规模用户群体的个性化效果。
2025-11-25 cs.AI cs.IR cs.LG
SynthSAEBench: Evaluating Sparse Autoencoders on Scalable Realistic Synthetic Data
University College London（伦敦大学学院）；Decode Research（Decode研究）
SynthSAEBench通过生成大规模真实合成数据，提供标准化基准模型，用于评估稀疏自编码器架构的改进和失败模式。
2026-07-14 cs.AI cs.LG
SynthRCT: Scalable Conditional Deformation Synthesis for Synthetic Repeat CT Generation
Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）
SynthRCT提出可扩展条件生成框架，基于条件变分自编码器合成3D解剖形变，用于质子治疗稳健性评估，实现患者特有的合理变换采样。
2026-09-09 cs.AI cs.CV cs.LG
Directional Textual Inversion for Personalized Text-to-Image Generation
KAIST（韩国科学技术院）；Sookmyung Woman’s University（成均馆女子大学）
方向性文本反转通过优化方向提升文本到图像生成的个性化效果，实现更稳定的语义连贯性。
2026-03-10 cs.CV cs.LG
Synthesizing Diverse Network Flow Datasets with Scalable Dynamic Multigraph Generation
The MITRE Corporation（MITRE公司）
针对真实网络流数据难以获取的问题，提出结合随机 Kronecker 图、表格 GAN 与 XGBoost 对齐的动态多重图生成方法，并用新指标提升大规模合成数据的准确性与多样性评估。
2025-05-12 cs.LG cs.NI
Heterogeneous Synthetic Learner for Panel Data
North Carolina State University（北卡罗来纳州立大学）；Amazon（亚马逊）；University of California Irvine（加州大学欧文分校）
在个性化的新时代，学习异构处理效应（HTE）成为必然趋势，并有着众多的应用。然而，大多数现有的HTE估计方法集中在独立和同分布的观察，不能处理非平稳性和时间依赖性的共同面板数据设置。另一方面，针对面板数据开发的治疗评价者通常忽略个体化信息。为了填补这一空白，本文对面板数据下的HTE估计进行了初步研究。在不同的假设条件下，HTE可识别性，我们提出了相应的异构单边和双边合成学习，即H1SL和H2SL，利用国家的最先进的HTE估计非面板数据和推广的合成控制方法，允许灵活的数据生成过程。我们建立了所提出的估计的收敛速度。所提出的方法比现有的优越性能证明了广泛的数值研究。
2023-01-29 cs.LG math.ST stat.ME
SearchArt: Training Long-Horizon Search Agent with Scalable Synthetic and Verified Task
Huawei Cloud（华为云）
针对训练长视野搜索代理的挑战，SearchArt提出通过验证驱动任务合成及多阶段训练管道的框架，构建大规模数据集并验证数据可靠性，经此训练的代理在多基准测试中表现出色，参数少却成绩优异。
2026-08-12 cs.IR cs.LG
Vibrotactile Preference Learning: Uncertainty-Aware Preference Learning for Personalized Vibration Feedback
Department of Computer Science（计算机科学系）；University of Southern California（南加州大学）
本文提出Vibrotactile Preference Learning，通过高斯过程基于的不确定性感知偏好学习捕捉用户特定的振动参数偏好空间，通过预期信息增益指导查询选择，实现高效探索参数空间，实验表明其能有效学习个性化偏好并保持用户交互舒适低负荷。
2026-04-23 cs.AI cs.HC cs.LG
Understanding the Statistical Accuracy-Communication Trade-off in Personalized Federated Learning with Minimax Guarantees
本文研究了个性化联邦学习中统计准确性与通信的权衡，定量刻画了个性化程度对样本与算法效率的影响，提供了选择个性化程度的理论见解，并证明了广泛研究的PFL公式的minimax最优性。
2025-06-01 cs.DC cs.LG math.ST
Scalable deep fusion of spaceborne lidar and synthetic aperture radar for global forest structural complexity mapping
University of Maryland（马里兰大学）
针对星载激光雷达采样稀疏难以实现高分辨率连续制图的问题，提出融合GEDI与多模态SAR的可扩展深度学习框架，生成全球25米分辨率森林结构复杂度图，支持多时相监测与生态保护应用。
2025-10-07 cs.CV cs.LG stat.AP
Scalable Modular Synthetic Data Generation for Advancing Aerial Autonomy
Cornell University（康奈尔大学）；Microsoft（微软公司）
本文提出可扩展的空中合成数据增强框架ASDA，通过可脚本化的场景与数据增强流水线和统一提示接口，自动生成多样化空中数据集，以平衡泛化性与可扩展性并提升下游性能。
2023-05-26 cs.AI cs.CV cs.GR
FFAvatar: Few-Shot, Feed-Forward, and Generalizable Avatar Reconstruction
Snap Inc.；University of California, Santa Cruz（加州大学圣克鲁兹分校）；MBZUAI
FFAvatar通过多视图查询-Former融合多源图像信息，实现高保真3D高斯头像重建，支持实时部署与高质量动画。
2026-05-14 cs.CV cs.GR cs.LG
