University of Texas at Austin（得克萨斯大学奥斯汀分校）

Linear Script Representations in Speech Foundation Models Enable Zero-Shot Transliteration

语音基础模型中的线性脚本表示可实现零样本转写

Ryan Soh-Eun Shim, Kwanghee Choi, Kalvin Chang, Ming-Hao Hsu, Florian Eichin, Zhizheng Wu, Alane Suhr, Michael A. Hedderich, David Harwath, David R. Mortensen, Barbara Plank

机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 通过在语音基础模型中引入线性脚本表示，实现对语音识别输出脚本的零样本控制，提升多语言转写性能。

Adversarial Question Answering Robustness: A Multi-Level Error Analysis and Mitigation Study

对抗性问答鲁棒性：多级错误分析与缓解研究

Agniv Roy Choudhury, Vignesh Ponselvan Rajasingh

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本研究通过多级错误分析和实体感知对比学习，提升对抗性问答的鲁棒性，实现干净与对抗性数据性能的近似相等。

NitroGen: An Open Foundation Model for Generalist Gaming Agents

NitroGen：一种通用游戏代理的开源基础模型

Loïc Magne, Anas Awadalla, Guanzhi Wang, Yinzhen Xu, Joshua Belofsky, Fengyuan Hu, Joohwan Kim, Ludwig Schmidt, Georgia Gkioxari, Jan Kautz, Yisong Yue, Yejin Choi, Yuke Zhu, Linxi "Jim" Fan

机构 * NVIDIA ； Stanford（斯坦福大学） ； Caltech（加州理工学院） ； UChicago（芝加哥大学） ； UT Austin（得克萨斯大学奥斯汀分校） 纠错

AI总结 NitroGen通过大规模行为克隆训练，实现跨游戏泛化能力，提升任务成功率达52%

Comments 16 pages, 7 figures

Detecting and Mitigating Treatment Leakage in Text-Based Causal Inference: Distillation and Sensitivity Analysis

基于文本的因果推断中检测与缓解处理泄漏：蒸馏与敏感性分析

Adel Daoud, Richard Johansson, Connor T. Jerzak

机构 * Institute for Analytical Sociology, Linköping University, Sweden（分析社会学研究所，利乌波尔大学） ； Department of Computer Science and Engineering, Chalmers University of Technology, Sweden（计算机科学与工程系，查尔姆斯理工大学） ； Department of Government, University of Texas at Austin, USA（政府系，德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种基于文本的因果推断中检测和缓解处理泄漏的方法，通过蒸馏和敏感性分析来减少偏倚并提高估计精度。