Imperial College London（帝国理工学院）

Enhancing Trustworthiness with Mixed Precision: Benchmarks, Opportunities, and Challenges

通过混合精度提升可信度：基准测试、机遇与挑战

Guanxi Lu, Hao Mark Chen, Zhiqiang Que, Wayne Luk, Hongxiang Fan

机构 * Department of Computing Imperial College London（计算系 帝国理工学院伦敦分校） 纠错

AI总结 本文研究了量化对可信度指标的影响，提出了一种混合精度集合投票方法，提升了可信度指标性能。

Comments ASP-DAC 2026 Special Session

Bayesian-based Online Label Shift Estimation with Dynamic Dirichlet Priors

基于贝叶斯的在线标签偏移估计与动态Dirichlet先验

Jiawei Hu, Javier A. Barria

机构 * Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦分校电子与电气工程系） 纠错

AI总结 本文提出FMAPLS和online-FMAPLS方法，通过动态优化Dirichlet超参数和类别先验，有效解决标签偏移问题，提升分类性能。

Comments 13 pages, submitted to IEEE journal for possible publication

The Catechol Benchmark: Time-series Solvent Selection Data for Few-shot Machine Learning

儿茶酚基准：用于少样本机器学习的时序溶剂选择数据

Toby Boyne, Juan S. Campos, Becky D. Langdon, Jixiang Qing, Yilin Xie, Shiqiang Zhang, Calvin Tsay, Ruth Misener, Daniel W. Davies, Kim E. Jelfs, Sarah Boyall, Thomas M. Dixon, Linden Schrecker, Jose Pablo Folch

机构 * Department of Computing, Imperial College London（计算系，帝国理工学院伦敦分校） ； Department of Chemistry, Imperial College London（化学系，帝国理工学院伦敦分校） ； SOLVE Chemistry（SOLVE化学） 纠错

AI总结 本文提出了一种用于少样本机器学习的时序溶剂选择数据集，通过大规模连续工艺条件样本，挑战机器学习模型，应用于溶剂替代和可持续制造。

Comments 10 pages main, 22 pages total, 8 figures, 7 tables. Accepted to NeurIPS Datasets and Benchmarks track 2025