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

Decision-Focused Sequential Experimental Design: A Directional Uncertainty-Guided Approach

决策导向的顺序实验设计：一种方向性不确定性引导方法

Beichen Wan, Mo Liu, Paul Grigas, Zuo-Jun Max Shen

机构 * Department of Statistics and Operations Research, University of North Carolina（统计与运筹学系，北卡罗来纳大学） ； Department of Industrial Engineering and Operations Research, University of California, Berkeley（工业工程与运筹学系，加州大学伯克利分校） 纠错

AI总结 本文提出一种基于方向性的不确定性度量，用于改进顺序实验设计，以更有效地优化决策损失。

The Double Life of Code World Models: Provably Unmasking Malicious Behavior Through Execution Traces

代码世界模型的双重生命：通过执行轨迹证明性地揭示恶意行为

Subramanyam Sahoo

机构 * Berkeley AI Safety Initiative (BASIS) UC Berkeley（伯克利人工智能安全倡议（BASIS）加州大学伯克利分校） 纠错

AI总结 通过语义轨道分析，CTVP验证代码生成模型的恶意行为，引入ARQ量化验证成本，理论证明对抗鲁棒性非游戏化。

Comments 13 Pages, A Preprint

Neural Networks Learn Generic Multi-Index Models Near Information-Theoretic Limit

神经网络在信息论极限附近学习通用多索引模型

Bohan Zhang, Zihao Wang, Hengyu Fu, Jason D. Lee

机构 * Peking University（北京大学） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 神经网络通过梯度下降在信息论极限内高效学习多索引模型，证明两层网络在特定条件下能以最优样本和时间复杂度实现目标学习。

Comments 85 pages, 2 figures. The order of the first two authors was determined by a coin flip. Accepted by ICLR 2026