ICML

Intrinsic Benefits of Categorical Distributional Loss: Uncertainty-aware Regularized Exploration in Reinforcement Learning

类别分布损失的内在优势：强化学习中的不确定性感知正则化探索

Ke Sun, Yingnan Zhao, Enze Shi, Yafei Wang, Xiaodong Yan, Bei Jiang, Linglong Kong

机构 * University of Alberta, Canada（阿尔伯塔大学） ； Harbin Engineering University, China（哈尔滨工程大学） ； Xi’an Jiaotong University, China（西安交通大学） 纠错

AI总结 本文提出了一种基于类别分布损失的不确定性感知正则化方法，通过增强奖励信号提升强化学习的探索效率。

Comments NeurIPS 2025; Previous Version in ICML Workshop: Exploration in AI Today (EXAIT) 2025

Zero-Training Temporal Drift Detection for Transformer Sentiment Models: A Comprehensive Analysis on Authentic Social Media Streams

无训练时间漂移检测用于Transformer情感模型：对真实社交媒体流的全面分析

Aayam Bansal, Ishaan Gangwani

机构 * Aayam Bansal Ishaan Gangwani 纠错

AI总结 本文提出了一种无训练的时间漂移检测方法，通过分析真实社交媒体数据，揭示了Transformer情感模型在事件驱动期间的性能退化，并引入了四种高效的时间漂移度量标准。

Comments ICML NewInML

MicroProbe: Efficient Reliability Assessment for Foundation Models with Minimal Data

MicroProbe: 用极少数据高效评估基础模型的可靠性

Aayam Bansal, Ishaan Gangwani

机构 * Aayam Bansal（未知） ； Ishaan Gangwani（未知） 纠错

AI总结 MicroProbe通过仅使用100个精心选择的示例，高效评估基础模型可靠性，比随机采样方法提升23.5%的综合分数，显著降低评估成本并保持高覆盖率。

Comments ICML NewInML