ICML

Probabilistic Modelling is Sufficient for Causal Inference

概率建模足以进行因果推断

Bruno Mlodozeniec, David Krueger, Richard E. Turner

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文表明，概率建模足以回答因果推断问题，无需专门的因果工具或符号。

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:81810-81840, 2025

Principled Algorithms for Optimizing Generalized Metrics in Binary Classification

基于原则的算法用于二分类中一般度量的优化

Anqi Mao, Mehryar Mohri, Yutao Zhong

机构 * Courant Institute of Mathematical Sciences（Courant数学科学研究所） ； Google Research（谷歌研究） 纠错

AI总结 本文提出基于原则的算法用于优化二分类中的一般度量，通过H一致性理论和有限样本泛化界限，设计出具有理论保证的新替代损失函数和METRO算法。

Comments ICML 2025

Mastering Multiple-Expert Routing: Realizable $H$-Consistency and Strong Guarantees for Learning to Defer

掌握多专家路由：可实现的H-一致性与学习延迟的强保证

Anqi Mao, Mehryar Mohri, Yutao Zhong

机构 * Courant Institute of Mathematical Sciences（Courant数学科学研究所） ； Google Research（谷歌研究） 纠错

AI总结 本文提出新的替代损失函数和算法，解决多专家场景下的延迟学习问题，提供强理论保证和实验验证。

Comments ICML 2025

Balancing the Scales: A Theoretical and Algorithmic Framework for Learning from Imbalanced Data

平衡天平：一种用于处理不平衡数据学习的理论和算法框架

Corinna Cortes, Anqi Mao, Mehryar Mohri, Yutao Zhong

机构 * Google Research（谷歌研究） ； Courant Institute of Mathematical Sciences（Courant数学科学研究所） 纠错

AI总结 本文提出了一种新的理论框架和算法IMMAX，用于解决类别不平衡问题，通过引入新的损失函数和理论保证提升学习性能。

Comments ICML 2025

Application-Driven Innovation in Machine Learning

应用驱动的机器学习创新

David Rolnick, Alan Aspuru-Guzik, Sara Beery, Bistra Dilkina, Priya L. Donti, Marzyeh Ghassemi, Hannah Kerner, Claire Monteleoni, Esther Rolf, Milind Tambe, Adam White

机构 * McGill University（麦吉尔大学） ； Mila -- Quebec AI Institute, Montreal, Canada（魁北克AI研究所） ； University of Toronto（多伦多大学） ； Vector Institute, Toronto, Canada（向量研究所） ； Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院） ； University of Southern California, Los Angeles, USA（南加州大学） ； Arizona State University, Tempe, USA（亚利桑那州立大学） ； Inria Paris, Paris, France（巴黎研究所） ； University of Colorado Boulder, Boulder, USA（科罗拉多大学博尔德分校） ； Harvard University, Cambridge, USA（哈佛大学） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute, Edmonton, Canada（阿尔伯塔人工智能研究所） 纠错

AI总结 本文探讨了应用驱动研究在机器学习中的重要性，指出其对算法创新和领域影响的潜力，并提出改进现有评估和教学实践的建议。

Comments 12 pages, 3 figures

Journal ref Published at ICML 2024 in the Position Papers track

Time-series Forecast for Indoor Zone Air Temperature with Long Horizons: A Case Study with Sensor-based Data from a Smart Building

室内区域空气温度长期时间序列预测：基于智能建筑传感器数据的案例研究

Liping Sun, Yucheng Guo, Siliang Lu, Zhenzhen Li

机构 * Bosch Center for Artificial Intelligence, Shanghai, China（博世人工智能中心，中国上海） ； Bosch Center for Artificial Intelligence, Pittsburgh, USA（博世人工智能中心，美国匹兹堡） ； College of Architecture and Urban Planning, Tongji University, Shanghai, China（同济大学建筑与城市规划学院，中国上海） ； Department of Statistics, Iowa State University, Ames, USA（统计学系，爱荷华州立大学，美国阿姆斯） 纠错

AI总结 本文提出一种基于传感器数据的长期时间序列预测模型，用于预测美国建筑区域空气温度，以支持智能HVAC系统控制和混合建筑能耗建模。

Journal ref ICML 2025 CO-BUILD Workshop on Computational Optimization of Buildings

What Has a Foundation Model Found? Using Inductive Bias to Probe for World Models

基础模型发现了什么？利用归纳偏置来探测世界模型

Keyon Vafa, Peter G. Chang, Ashesh Rambachan, Sendhil Mullainathan

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

AI总结 该研究通过归纳偏置探测技术揭示基础模型在适应新任务时无法捕捉底层世界模型结构的问题。

Comments To appear in ICML 2025

Dictionary Learning: The Complexity of Learning Sparse Superposed Features with Feedback

字典学习：通过反馈学习稀疏叠加特征的复杂性

Akash Kumar

机构 * Department of Computer Science \& Engineering, University of California, San Diego, USA 纠错

AI总结 通过反馈机制，研究在稀疏设置下学习字典特征的复杂性，并验证了理论结果在特征恢复和字典提取中的有效性。

Comments ICML'25, 35 pages