JMLR

Corruptions of Supervised Learning Problems: Typology and Mitigations

监督学习问题的腐败：类型与缓解方法

Laura Iacovissi, Nan Lu, Robert C. Williamson

机构 * Tübingen AI Center, University of Tübingen（图宾根人工智能中心，图宾根大学） 纠错

AI总结 本文提出了一种通用的腐败理论，通过马尔可夫核分析底层概率分布的变化，统一了不同类型的腐败模型，并探讨了针对各种腐败类型的缓解方法。

Comments 73 pages. To be published in Journal of Machine Learning Research 27 (2026) 1-73

Causal Influences over Social Learning Networks

社交学习网络中的因果影响

Mert Kayaalp, Ali H. Sayed

机构 * Dalle Molle Institute for Artificial Intelligence (IDSIA USI-SUPSI)（达勒莫勒人工智能研究所（IDSIA USI-SUPSI）） ； École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL）） 纠错

AI总结 本文研究了由社交图连接的智能体之间的时间动态因果影响，分析了社交学习模型和分布式决策协议的动力学，并推导出揭示智能体对之间因果关系的表达式，解释了网络中的影响流动。结果依赖于图拓扑和每个智能体对推理问题的信息水平。基于这些结论，本文提出了一种算法来对智能体的整体影响进行排名，以发现具有高度影响力的智能体，并提供了一种从原始观测数据中学习必要模型参数的方法。结果和所提算法通过考虑合成数据和真实社交媒体数据进行了示例说明。

Comments Accepted to the Journal of Machine Learning Research