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

Learning to Trust the Crowd: A Multi-Model Consensus Reasoning Engine for Large Language Models

学习信任群体：一种多模型共识推理引擎用于大语言模型

Pranav Kallem

机构 * Department of Computer Science（计算机科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本研究提出多模型共识推理引擎，通过整合多个大语言模型的输出，提升回答的准确性和可靠性，实验表明其在多个基准测试中显著优于单一模型和多数投票。

Graph-KV: Breaking Sequence via Injecting Structural Biases into Large Language Models

Graph-KV: 通过向大语言模型注入结构偏差打破序列

Haoyu Wang, Peihao Wang, Mufei Li, Shikun Liu, Siqi Miao, Zhangyang Wang, Pan Li

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 Graph-KV通过引入结构偏差打破序列限制，提升大语言模型在图结构任务中的表现。

The Power of Iterative Filtering for Supervised Learning with (Heavy) Contamination

迭代过滤在有监督学习中的强大作用（含重污染）

Adam R. Klivans, Konstantinos Stavropoulos, Kevin Tian, Arsen Vasilyan

机构 * UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出迭代多项式过滤算法，解决了有污染的有监督学习中的复杂性差距问题，首次实现了在高斯分布下高效学习半空间，以及在重污染下近最优的学习保证。

Comments 36 pages

Canopy: Property-Driven Learning for Congestion Control

Canopy：基于属性的学习用于拥塞控制

Chenxi Yang, Divyanshu Saxena, Rohit Dwivedula, Kshiteej Mahajan, Swarat Chaudhuri, Aditya Akella

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

AI总结 Canopy通过整合学习与形式推理，在学习循环中提供定量认证，从而在各种网络条件下实现适应性和最坏情况的可靠性。

Comments Eurosys 2026

Atomic-SNLI: Fine-Grained Natural Language Inference through Atomic Fact Decomposition

原子级SNLI：通过原子事实分解实现细粒度自然语言推理

Minghui Huang

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

AI总结 Atomic-SNLI通过原子事实分解提升细粒度自然语言推理，通过构建新数据集增强模型的原子级推理能力。