Carnegie Mellon University（卡内基梅隆大学）

Machine Learning-Driven Predictive Resource Management in Complex Science Workflows

基于机器学习的复杂科学工作流预测性资源管理

Tasnuva Chowdhury, Tadashi Maeno, Fatih Furkan Akman, Joseph Boudreau, Sankha Dutta, Shengyu Feng, Adolfy Hoisie, Kuan-Chieh Hsu, Raees Khan, Jaehyung Kim, Ozgur O. Kilic, Scott Klasky, Alexei Klimentov, Tatiana Korchuganova, Verena Ingrid Martinez Outschoorn, Paul Nilsson, David K. Park, Norbert Podhorszki, Yihui Ren, John Rembrandt Steele, Frédéric Suter, Sairam Sri Vatsavai, Torre Wenaus, Wei Yang, Yiming Yang, Shinjae Yoo

机构 * Brookhaven National Laboratory（布鲁克海文国家实验室） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； University of Pittsburgh（匹兹堡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Massachusetts（马萨诸塞大学） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） 纠错

AI总结 本文提出利用机器学习模型优化复杂科学工作流的资源管理，通过预测资源需求提升处理效率和资源利用率。

Pairwise Elimination with Instance-Dependent Guarantees for Bandits with Cost Subsidy

基于实例依赖保证的带成本补贴的多臂老虎机中的配对消除

Ishank Juneja, Carlee Joe-Wong, Osman Yağan

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出PE和PE-CS算法，通过实例依赖分析，在带成本补贴的多臂老虎机问题中实现了成本和质量遗憾的对数上界保证。

Comments ICLR 2025 Conference Paper

Data for Mathematical Copilots: Better Ways of Presenting Proofs for Machine Learning

用于数学助手的数据：为机器学习呈现证明的更好方式

Simon Frieder, Jonas Bayer, Sam Looi, Jacob Loader, Julius Berner, Katherine M. Collins, András Juhász, Fabian Ruehle, Sean Welleck, Gabriel Poesia, Ryan-Rhys Griffiths, Adrian Weller, Anirudh Goyal, Cameron Freer, Thomas Lukasiewicz, Timothy Gowers

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Caltech（加州理工学院） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； FutureHouse Inc.（未来房屋公司） ； Meta ； Vienna University of Technology（维也纳技术大学） ； MIT（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； Collège de France（法兰西学院） 纠错

AI总结 本文提出改进数学助手数据集的设计，以更真实反映数学研究实践，从而提升大语言模型的证明学习能力。

Comments 59 pages

Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations

超越力度度量：预训练MLFFs用于稳定的MD模拟

Shagun Maheshwari, Zhengxian Tang, Janghoon Ock, Adeesh Kolluru, Amir Barati Farimani, John R. Kitchin

机构 * Department of Materials Science Engineering, Carnegie Mellon University（材料科学与工程系，卡内基梅隆大学） ； Department of Chemical Engineering, Carnegie Mellon University（化学工程系，卡内基梅隆大学） ； Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学） 纠错

AI总结 本研究通过预训练GemNet-T模型提升MD模拟稳定性，发现预训练能产生更稳定的力场表示，从而延长模拟轨迹长度。

Strategic Planning and Rationalizing on Trees Make LLMs Better Debaters

树状规划与理性化使大语言模型成为更好的辩论者

Danqing Wang, Zhuorui Ye, Xinran Zhao, Fei Fang, Lei Li

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 TreeDebater通过引入树状结构提升辩论策略，实现辩论说服力和胜率的显著提升。

Comments 9 main pages

Regularized Langevin Dynamics for Combinatorial Optimization

正则化 Langevin 动力学用于组合优化

Shengyu Feng, Yiming Yang

机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） 纠错

AI总结 本文提出正则化 Langevin 动力学用于组合优化，通过避免局部极小值提升传统启发式方法和神经网络模型的性能。

Comments ICML 2025

Journal ref International conference on machine learning, 2025, PMLR

Large Language Models: A New Approach for Privacy Policy Analysis at Scale

大型语言模型：一种大规模隐私政策分析的新方法

David Rodriguez, Ian Yang, Jose M. Del Alamo, Norman Sadeh

机构 * ETSI Telecomunicación Universidad Politécnica de Madrid Spain（马德里理工大学电信工程学院） ； School of Computer Science Carnegie Mellon University（计算机科学学院卡内基梅隆大学） 纠错

AI总结 本文提出利用大型语言模型进行大规模隐私政策分析，通过高效提取隐私实践，实现高准确率和低资源消耗。

Journal ref Computing, vol. 106, no. 12, pp. 3879-3903, 2024