Is Multi-Distribution Learning as Easy as PAC Learning: Sharp Rates with Bounded Label Noise
多分布学习是否像PAC学习一样容易：具有有界标签噪声的尖锐速率
机构 * MIT（麻省理工学院）
AI总结 该研究探讨了多分布学习在有界标签噪声下的样本复杂性，发现其速率与k/ε²成比例，揭示了多源学习中的基本限制。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
BabyLM Turns 4 and Goes Multilingual: Call for Papers for the 2026 BabyLM Workshop
BabyLM四周年暨多语言研究：2026年BabyLM研讨会征文通知
机构 * IBM Research（IBM研究院） ； MIT（麻省理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； Cornell University（康奈尔大学） ； University of Groningen（格罗宁根大学） ； NYU（纽约大学） ； Boston University（波士顿大学） ； University of Cambridge（剑桥大学） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（南加州大学） ； Georgetown University（乔治城大学）
AI总结 BabyLM研讨会征文通知，聚焦多语言预训练与认知建模，包含训练效率、小规模数据集、模型评估等主题
Comments 8 pages, 1 table. arXiv admin note: substantial text overlap with arXiv:2502.10645
Programming by Backprop: An Instruction is Worth 100 Examples When Finetuning LLMs
通过反向传播编程：在微调LLMs时，一条指令的价值相当于100个示例
机构 * FLAIR, University of Oxford（FLAIR，牛津大学） ； Cohere & Cohere Labs（Cohere及Cohere实验室） ； Anthropic ； UCL AI Centre（UCL人工智能中心） ； MIT（麻省理工学院）
AI总结 通过反向传播编程（PBB）使LLMs能从声明性指令中学习程序性知识，提升训练效率并减少对大量示例的依赖。
Language Models use Lookbacks to Track Beliefs
语言模型使用回溯来跟踪信念
机构 * Northeastern University（东北大学） ； Technion（技术学院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Goodfire ； Pr(Ai) 2 R Group（Pr(Ai) 2 R集团）
AI总结 本研究揭示语言模型通过回溯机制跟踪角色信念的算法模式，通过构建CausalToM数据集，分析LM在因果中介和抽象中的推理能力，并探讨可见性对信念更新的影响。
Comments 38 pages, 50 figures. Code and data at https://belief.baulab.info/
Characterizing Online and Private Learnability under Distributional Constraints via Generalized Smoothness
通过广义平滑性刻画在线学习和隐私学习在分布约束下的可学习性
机构 * GeorgiaTech（佐治亚理工学院） ； MIT（麻省理工学院）
AI总结 本文通过广义平滑性理论，研究了在分布约束下在线学习和隐私学习的可学习性条件，并提出了通用算法和改进的界限。
Inner Speech as Behavior Guides: Steerable Imitation of Diverse Behaviors for Human-AI coordination
内部言语作为行为引导：为人类-人工智能协调的可操控模仿
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学）
AI总结 MIMIC通过语言作为内部表示，利用视觉语言模型和扩散策略实现人类-人工智能协调中的行为引导与多样化的模仿控制。
Comments Spotlight paper at NeurIPS 2025
Enhancing Heat Sink Efficiency in MOSFETs using Physics Informed Neural Networks: A Systematic Study on Coolant Velocity Estimation
利用物理信息神经网络提升MOSFET散热效率：关于冷却剂速度估计的系统研究
机构 * Division of Applied Mathematics, Brown University, Providence, RI, USA（应用数学系，布朗大学） ； MIT Sea Grant Design Laboratory, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院海 grant 设计实验室）
AI总结 本文利用物理信息神经网络研究MOSFET散热效率提升，提出基于冷却剂速度估计的系统方法，通过分层训练优化热传导参数，提高冷却效果。
All-Optical Segmentation via Diffractive Neural Networks for Autonomous Driving
全光学分割 via 光学神经网络用于自动驾驶
机构 * Simon Fraser University（西蒙·弗雷泽大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Utah（犹他大学） ； University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 本文提出了一种全光学计算框架，利用衍射光学神经网络实现自动驾驶中的图像分割和车道检测，展示了其在CityScapes数据集和模拟场景中的有效性及泛化能力。
A Framework for Studying AI Agent Behavior: Evidence from Consumer Choice Experiments
研究AI代理行为的框架：来自消费者选择实验的证据
机构 * MIT（麻省理工学院） ； Tsinghua University（清华大学） ； Dartmouth College（达特茅斯学院）
AI总结 本文提出ABxLab框架，通过控制选项属性和说服性提示，研究AI代理在现实决策中的选择行为，揭示代理在无认知限制下仍存在强烈偏好偏见，为AI代理行为研究提供测试平台。
Comments ICLR, 31 pages, 17 figures
