AITOP
精选
过去 24 小时，从 1009 条中筛出 58 条
全部模型产品行业论文技巧
标签：共形预测×
6月11日
15:28
15:23
15:07
6月1日
00:09
5月29日
08:02
AITOP5月29日 08:02
Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？🔥Anthropic 把 AI 编程的“确认键”彻底删掉了！Claude Code 搭载全新 Opus 4.8 模型，长时间任务不跑偏、不废话、不中断，像一个资深工程师一样默默干活，从功能开发到漏洞清扫全包圆，你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”，现在它直接交完整交付物……自主编程的最后一层窗户纸，被捅破了。做自动化开发和代码审查的团队，这个模型建议直接上手，效率差距肉眼可见……Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？
5月28日
11:26
11:26arXiv cs.AI@William Overman, Mohsen Bayati
精选
论文提出校准集体监督（CCO）方法，通过聚合多个辅助评分函数形成惩罚项，衡量AI行为对保守基线的偏离。CCO受可达到效用保留启发，实现集体保守主义：当监督者认为行为无异议时，高效用行为仍被选中，仅在担忧累积时被覆盖。该方法利用共形决策理论在线校准保守程度，确保不良结果低于用户指定阈值，且无需分布假设。在修改版SWE-bench上，较弱监督者成功约束了对抗性更强的智能体；在MACHIAVELLI环境中，CCO在保持奖励的同时大幅减少伦理违规。
论文AI安全可扩展监督共形预测保守主义智能体对齐
推荐理由：这篇论文解决了超人类AI系统的监督难题，做AI安全和对齐的研究者可以直接参考其理论保证和实验验证。
原文
5月20日
10:13
10:13arXiv cs.AI@Yuxuan Gao, Megan Wang, Yi Ling Yu
精选
该研究将分裂共形预测和自适应共形推断（ACI）应用于连续AI智能体评估，提供无分布假设的覆盖保证。在24小时预测窗口内，共形区间在所有名义水平上的校准误差低于0.02，ACI在智能体发布后正确将区间扩大35%后重新收敛。研究还开发了多智能体管道的组合不确定性界限、成对排名的共形弃权规则（控制假排名率）以及排行榜级多重检验的FDR校正弃权。通过每小时收集18个实时信号评估50个智能体，发现每个智能体的条件覆盖集中在名义水平附近（均值80.4%，90%的智能体在[72%,90%]内），跨来源情感分歧可预测排名不稳定性（r=0.64, p<0.01）。代码和数据已以CC BY 4.0协议发布。
论文AI智能体评估不确定性量化共形预测排行榜统计方法
推荐理由：做AI智能体评估或排行榜的团队终于有了统计严谨的不确定性量化工具——无需分布假设即可保证覆盖，还能处理多智能体管道和排名稳定性问题，建议做评估基准的开发者直接看论文和代码。
原文
5月19日
10:59
10:59arXiv cs.LG@Samuele Bortolotti, Emanuele Marconato, Andrea Pugnana, Andrea Passerini, Stefano Teso
精选
神经符号概念模型（NeSy-CBMs）结合神经网络与符号推理，适用于高风险场景，但其预测可能过于自信。研究者引入共形预测（CP）框架，提出三个理想目标：一致性、覆盖率和简洁性。现有方法无法同时满足这些目标，因此他们提出COCOCO，一种事后框架，联合共形化概念和标签，并通过演绎-溯因修正步骤协调两者。COCOCO满足所有三个目标，保持无分布覆盖率，对不完美知识具有鲁棒性，并支持用户指定的大小预算。在8个数据集上的实验表明，COCOCO在性能和集合大小方面优于竞争对手和基线方法。
论文共形预测神经符号模型概念模型可解释AICOCOCO
推荐理由：这项研究解决了高风险AI应用中模型过度自信的痛点，做可解释AI或安全关键系统的团队可以直接参考COCOCO框架来提升预测可靠性。
原文
5月18日
10:39
10:39arXiv cs.LG@Paulo C. Marques F., Helton Graziadei
精选
本文提出了一种偏态自适应共形预测方法，用于回归任务。该方法从以点预测为中心的非对称区间族出发，利用规范方法推导出该区间族诱导的一致性得分。通过对带符号的缩放残差进行逆双曲正弦变换，作为额外预测模型的训练目标，该模型学习预测不确定性如何在特征空间中倾斜。该方法在可交换性假设下保留了分割共形预测的有限样本边际有效性，同时生成适应局部尺度和局部偏态的区间。实验表明，与缩放得分构造和共形分位数回归相比，该方法在预测区间效率上有所提升，且提出的估计器能准确匹配测试样本上的平均宽度比。
论文共形预测回归不确定性量化偏态自适应预测区间
推荐理由：做回归预测且需要不确定性量化的团队，这篇论文提供了一种能自适应数据偏态的新方法，比传统共形预测区间更高效，值得关注。
原文