Cornell University（康奈尔大学）

Machine Unlearning Doesn't Do What You Think: Lessons for Generative AI Policy and Research

机器去学习并不如你所想：生成式AI政策与研究的启示

A. Feder Cooper, Christopher A. Choquette-Choo, Miranda Bogen, Kevin Klyman, Matthew Jagielski, Katja Filippova, Ken Liu, Alexandra Chouldechova, Jamie Hayes, Yangsibo Huang, Eleni Triantafillou, Peter Kairouz, Nicole Elyse Mitchell, Niloofar Mireshghallah, Abigail Z. Jacobs, James Grimmelmann, Vitaly Shmatikov, Christopher De Sa, Ilia Shumailov, Andreas Terzis, Solon Barocas, Jennifer Wortman Vaughan, danah boyd, Yejin Choi, Sanmi Koyejo, Fernando Delgado, Percy Liang, Daniel E. Ho, Pamela Samuelson, Miles Brundage, David Bau, Seth Neel, Hanna Wallach, Amy B. Cyphert, Mark A. Lemley, Nicolas Papernot, Katherine Lee

机构 * The GenLaw Center（GenLaw中心） ； Microsoft Research（微软研究院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； Center for Democracy & Technology（民主与科技中心） ； Princeton（普林斯顿） ； Google（谷歌） ； University of Washington（华盛顿大学） ； University of Michigan（密歇根大学） ； Cornell Tech（康奈尔科技） ； Cornell Law School（康奈尔法学院） ； Cornell University（康奈尔大学） ； Lighthouse ； Stanford Law School（斯坦福法学院） ； UC Berkeley（伯克利大学） ； Independent（独立研究者） ； Northeastern University（东北大学） ； Harvard Business School（哈佛商学院） ； W. Virginia University College of Law（维珍尼亚大学法学院） 纠错

AI总结 本文指出机器去学习并非通用解决方案，揭示其在生成式AI政策与研究中的局限性。

Comments NeurIPS 2025 (Oral)

Efficient Inference after Directionally Stable Adaptive Experiments

在方向稳定自适应实验后高效的推断

Zikai Shen, Houssam Zenati, Nathan Kallus, Arthur Gretton, Koulik Khamaru, Aurélien Bibaut

机构 * University College London（伦敦大学学院） ； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院计算神经科学单元） ； Cornell University（康奈尔大学） ； Netflix ； Google DeepMind（谷歌DeepMind） ； Rutgers University（罗格斯大学） 纠错

AI总结 本文提出方向稳定性条件，证明在自适应数据下估计量保持渐近正态性和半参数效率，并为LinUCB采样下的常规标量目标提供了首个半参数效率保证。

Comments 34 pages

D-Flow SGLD: Source-Space Posterior Sampling for Scientific Inverse Problems with Flow Matching

D-Flow SGLD：基于流匹配的源空间后验采样用于科学反问题

Meet Hemant Parikh, Yaqin Chen, Jian-Xun Wang

机构 * Sibley School of Mechanical and Aerospace Engineering, Cornell University（科尼尔大学机械与航空航天工程学院） ； Department of Aerospace and Mechanical Engineering, University of Notre Dame（诺丁汉大学航空航天与机械工程系） 纠错

AI总结 D-Flow SGLD是一种基于流匹配的源空间后验采样方法，通过可微源推断与预条件随机梯度兰格-多夫动态相结合，实现科学反问题中高效且保真的后验采样。

Efficient Opportunistic Approachability

高效的机会性可接近性

Teodor Vanislavov Marinov, Mehryar Mohri, Princewill Okoroafor, Jon Schneider, Julian Zimmert

机构 * Google Research（谷歌研究） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出了一种高效的机会性可接近性算法，实现了$O(T^{-1/4})$的可接近率，并在低维情况下达到最优速率。