ICML

Hybrid$^2$ Neural ODE Causal Modeling and an Application to Glycemic Response

混合$^2$神经ODE因果建模及其在糖化反应中的应用

Bob Junyi Zou, Matthew E. Levine, Dessi P. Zaharieva, Ramesh Johari, Emily B. Fox

机构 * Institute for Computational and Mathematical Engineering, Stanford University（计算与数学工程研究所，斯坦福大学） ； Broad Institute of MIT and Harvard（哈佛大学与麻省理工学院Broad研究所） ； Department of Pediatrics, Stanford University（斯坦福大学儿科系） ； Department of Management Science and Engineering, Stanford University（斯坦福大学管理科学与工程系） ； Department of Statistics and Department of Computer Science, Stanford University（斯坦福大学统计系与计算机科学系） 纠错

AI总结 本文提出了一种混合神经ODE模型，通过引入因果损失来提升因果有效性，应用于1型糖尿病患者运动后葡萄糖动态建模，实现预测性能与因果有效性的双赢。

Journal ref Proceedings of the 41st International Conference on Machine Learning, PMLR 235:62934-62963, 2024

Grounding Large Language Models in Interactive Environments with Online Reinforcement Learning

通过在线强化学习将大语言模型接地于交互环境

Thomas Carta, Clément Romac, Thomas Wolf, Sylvain Lamprier, Olivier Sigaud, Pierre-Yves Oudeyer

机构 * Inria (Flowers)（Inria（Flowers）） ； University of Bordeaux（波尔多大学） ； Hugging Face ； Univ Angers, LERIA, SFR MATHSTIC（昂热大学，LERIA，SFR MATHSTIC） ； Sorbonne Université（索邦大学） 纠错

AI总结 本文提出GLAM方法，通过在线强化学习将大语言模型接地于交互环境，以提升样本效率和泛化能力，并探讨在线学习的影响。

Comments The associated code can be found at https://github.com/flowersteam/Grounding_LLMs_with_online_RL. This is an extended version of the paper published at ICML 2023: https://proceedings.mlr.press/v202/carta23a

Journal ref PMLR 202 (2023):3676-3713

Recoverability Has a Law: The ERR Measure for Tool-Augmented Agents

可恢复性有定律：工具增强智能体的ERR度量

Sri Vatsa Vuddanti, Satwik Kumar Chittiprolu

机构 * Sri Vatsa Vuddanti（独立研究者） ； Satwik Kumar Chittiprolu（独立研究者） 纠错

AI总结 本文提出了一种预测理论，通过预期恢复遗憾（ERR）与效率分数（ES）的关系，揭示了语言模型智能体在工具使用中的可恢复性遵循可测量的定律。

Comments Preprint for ICML Submission

A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models

基于似然的方法用于使用条件深度生成模型的分布回归

Shivam Kumar, Yun Yang, Lizhen Lin

机构 * Booth School of Business, University of Chicago（芝加哥大学商学院） 纠错

AI总结 本文提出基于似然的方法用于条件深度生成模型的分布回归，揭示了其在高维空间中绕过维度灾难的统计基础，并通过实验验证了方法的有效性。

Comments arXiv admin note: text overlap with arXiv:1708.06633 by other authors

Journal ref Proc. 42nd Int. Conf. on Machine Learning (ICML 2025), PMLR 267:31964-31990, 2025