EPFL（洛桑联邦理工学院）

Contextual Online Bilateral Trade

上下文在线双边交易

Romain Cosson, Federico Fusco, Anupam Gupta, Stefano Leonardi, Renato Paes Leme, Matteo Russo

机构 * New York University（纽约大学） ； Sapienza University（萨皮恩扎大学） ； Google Research（谷歌研究） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 本文研究了具有上下文性估值的双边交易问题，设计了在两位反馈下实现O(d log d)遗憾的算法，并在一位反馈下允许小负利润的算法，同时探讨了预算平衡与时间范围无关的交易收益算法。

The Implicit Bias of Logit Regularization

对数几率正则化的隐含偏见

Alon Beck, Yohai Bar Sinai, Noam Levi

机构 * Raymond and Beverly Sackler School of Physics and Astronomy, Tel-Aviv University, Tel-Aviv 69978, Israel（雷蒙德与贝弗利·萨克勒物理与天文学学院，特拉维夫大学） ； École Polytechnique Fédérale de Lausanne (EPFL), Switzerland（洛桑联邦理工学院（EPFL），瑞士） ； Racah Institute of Physics, The Hebrew University of Jerusalem, Edmond J. Safra Campus, Jerusalem 9190401, Israel（拉卡姆物理研究所，耶路撒冷希伯来大学） ； Selim Benin School of Computer Science and Engineering, The Hebrew University of Jerusalem, Edmond J. Safra Campus, Jerusalem 9190401, Israel（塞利姆·本因计算机科学与工程学院，耶路撒冷希伯来大学） 纠错

AI总结 本文研究了对数几率正则化在线性分类中的隐含偏见，证明其诱导对数几率集中并提升泛化能力。

Weight Decay may matter more than muP for Learning Rate Transfer in Practice

权重衰减可能比muP对学习率转移更重要

Atli Kosson, Jeremy Welborn, Yang Liu, Martin Jaggi, Xi Chen

机构 * Amazon FAR (Frontier AI & Robotics)（亚马逊前沿人工智能与机器人实验室） ； EPFL（瑞士联邦理工学院） 纠错

AI总结 研究发现权重衰减在学习率转移中比muP更有效，挑战了传统观点并解释了muP对独立权重衰减的依赖。

Comments ICLR 2026

Block-Sample MAC-Bayes Generalization Bounds

块采样MAC-贝叶斯泛化界限

Matthias Frey, Jingge Zhu, Michael C. Gastpar

机构 * Department of Electrical and Electronic Engineering（电气与电子工程系） ； The University of Melbourne（墨尔本大学） ； Laboratory for Information in Networked Systems（网络化系统信息实验室） ； École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）） 纠错

AI总结 本文提出了一类块采样MAC-贝叶斯界限，通过改进传统PAC-贝叶斯界限的紧致性，展示了其在泛化误差界中的优势。

Comments Accepted for publication at The Fourteenth International Conference on Learning Representations (ICLR 2026)

PeakWeather: MeteoSwiss Weather Station Measurements for Spatiotemporal Deep Learning

PeakWeather: 气象瑞士天气站测量数据用于时空深度学习

Daniele Zambon, Michele Cattaneo, Ivan Marisca, Jonas Bhend, Daniele Nerini, Cesare Alippi

机构 * Università della Svizzera italiana（瑞士大学） ； IDSIA（智能系统研究所） ； Federal Office of Meteorology and Climatology MeteoSwiss（联邦气象与气候办公室MeteoSwiss） ； ETH Zürich（苏黎世联邦理工学院） ； EPFL（洛桑联邦理工学院） ； Swiss Data Science Center（瑞士数据科学中心） ； Politecnico di Milano（米兰理工学院） 纠错

AI总结 PeakWeather提供了一个高质量的天气观测数据集，用于时空深度学习任务，包含瑞士多个站点的气象数据及地形指数，支持多种预测和分析应用。