University of California, Berkeley（加州大学伯克利分校）

Improving Slow Transfer Predictions: Generative Methods Compared

提升慢速传输预测：生成方法的比较

Jacob Taegon Kim, Alex Sim, Kesheng Wu, Jinoh Kim

机构 * University of California, Berkeley（加州大学伯克利分校） ； Texas A\&M University（德克萨斯农工大学） 纠错

AI总结 本研究通过比较生成方法与传统过采样技术，发现即使使用先进算法如CTGAN，也无法显著提升数据传输性能预测的准确性。

Exploring Network-Knowledge Graph Duality: A Case Study in Agentic Supply Chain Risk Analysis

探索网络-知识图谱二元性：代理供应链风险分析的案例研究

Evan Heus, Rick Bookstaber, Dhruv Sharma

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出基于LLM的代理框架，利用网络与知识图谱的二元性，通过图遍历和上下文壳技术实现供应链风险分析的实时可解释生成。

Comments Accepted to the 2nd Workshop on LLMs and Generative AI in Finance: International Conference on AI in Finance(ICAIF) 2025;7 pages, 3 figures

RAST-MoE-RL: A Regime-Aware Spatio-Temporal MoE Framework for Deep Reinforcement Learning in Ride-Hailing

RAST-MoE-RL: 一种面向动态的时空MoE框架用于网约车深度强化学习

Yuhan Tang, Kangxin Cui, Jung Ho Park, Yibo Zhao, Xuan Jiang, Haoze He, Dingyi Zhuang, Shenhao Wang, Jiangbo Yu, Haris Koutsopoulos, Jinhua Zhao

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Tongji University（同济大学） ； University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； McGill University（麦吉尔大学） ； Northeastern University（东北大学） 纠错

AI总结 RAST-MoE-RL通过引入制度感知的时空MoE框架，提升了网约车深度强化学习中的决策效率与稳定性，实现了更高的奖励和更短的等待时间。