University of Pennsylvania（宾夕法尼亚大学）

Paying Less Generalization Tax: A Cross-Domain Generalization Study of RL Training for LLM Agents

支付更少的泛化税：RL训练对LLM代理跨域泛化能力的研究

Zhihan Liu, Lin Guan, Yixin Nie, Kai Zhang, Zhuoqun Hao, Lin Chen, Asli Celikyilmaz, Zhaoran Wang, Na Zhang

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； FAIR at Meta（Meta的FAIR） ； Northwestern University（西北大学） ； The Ohio State University（俄亥俄州立大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本研究探讨了RL训练对LLM代理跨域泛化能力的影响，发现增加状态信息丰富度可提升泛化性能，同时指出建模选择对泛化能力的关键作用。

Beyond Expected Goals: A Probabilistic Framework for Shot Occurrences in Soccer

超越期望目标：足球射门发生的概率框架

Jonathan Pipping-Gamón, Tianshu Feng, R. Paul Sabin

机构 * Department of Statistics & Data Science, University of Pennsylvania（统计与数据科学系，宾夕法尼亚大学） ； Department of Computer & Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） 纠错

AI总结 本文提出xG+框架，通过联合建模射门行为与质量，改进了标准xG模型的预测准确性并增强了球员技能信号的持续性。

Comments 18pp main + 3pp appendix; 8 figures, 12 tables. Submitted to the Journal of Quantitative Analysis in Sports (JQAS). Data proprietary to Gradient Sports; we share derived features & scripts (code under MIT/Apache-2.0). Preprint licensed CC BY 4.0

ShapLoRA: Allocation of Low-rank Adaption on Large Language Models via Shapley Value Inspired Importance Estimation

ShapLoRA: 通过受Shapley值启发的重要性估计在大型语言模型上分配低秩适应

Yi Zhao, Qinghua Yao, Xinyuan song, Wei Zhu

机构 * Singapore Management University（新加坡国立管理学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Emory University（埃默里大学） ； University of Hong Kong（香港大学） 纠错

AI总结 ShapLoRA通过受Shapley值启发的重要性估计方法，改进大型语言模型的低秩适应分配，提升模型性能。

Comments accepted by CPAL

Unrolled Neural Networks for Constrained Optimization

展开神经网络用于约束优化

Samar Hadou, Alejandro Ribeiro

机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学） 纠错

AI总结 本文提出了一种基于展开神经网络的约束优化方法，通过约束学习实现对偶上升动力学，有效解决混合整数二次规划和无线网络功率分配问题。

Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks

基于图神经网络的去中心化学习策略用于估计误差最小化

Xingran Chen, Navid NaderiAlizadeh, Alejandro Ribeiro, Shirin Saeedi Bidokhti

机构 * Rutgers University（罗格斯大学） ； Duke University（杜克大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出基于图神经网络的去中心化学习策略，用于在动态多跳无线网络中最小化估计误差，通过理论分析和实验验证了策略的可转移性和鲁棒性。