University of California, San Diego（加州大学圣迭戈分校）

PTF Testing Lower Bounds for Non-Gaussian Component Analysis

非高斯成分分析的PTF测试下界

Ilias Diakonikolas, Daniel M. Kane, Sihan Liu, Thanasis Pittas

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文首次为非高斯成分分析等统计任务建立了非平凡的PTF测试下界，通过连接伪随机生成器工作和新技术，证明了接近最优的下界。

Assessing the alignment between infants' visual and linguistic experience using multimodal language models

利用多模态语言模型评估婴儿的视觉和语言经验一致性

Alvin Wei Ming Tan, Jane Yang, Tarun Sepuri, Khai Loong Aw, Robert Z. Sparks, Zi Yin, Virginia A. Marchman, Michael C. Frank, Bria Long

机构 * Department of Psychology, Stanford University（心理学系，斯坦福大学） ； Department of Psychology, University of California, San Diego（心理学系，加州大学圣地亚哥分校） ； Department of Psychology, Tsinghua University（心理学系，清华大学） 纠错

AI总结 基于多模态语言模型评估婴儿视觉与语言经验一致性，揭示日常学习中视觉与语言对齐的稀有性及跨儿童差异。

High-Accuracy List-Decodable Mean Estimation

高精度可列表解码均值估计

Ziyun Chen, Spencer Compton, Daniel Kane, Jerry Li

机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； University of California, San Diego（加州大学圣迭戈分校） 纠错

AI总结 本文提出高精度可列表解码学习方法，通过非平凡的理论和算法保证，实现身份协方差高斯分布均值的高精度估计。

Comments Abstract shortened to meet arXiv requirement

Honesty over Accuracy: Trustworthy Language Models through Reinforced Hesitation

诚实胜过准确：通过强化犹豫实现可信语言模型

Mohamad Amin Mohamadi, Tianhao Wang, Zhiyuan Li

机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 通过强化犹豫方法，将回避作为核心训练目标，使语言模型在风险可控下提升可信度，降低计算成本。