全部 AI 动态 · AI 热点

AITOP

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

12:18

arXiv cs.LG@Yannick Limmer

论文提出过滤共形椭球（Filtered Conformal Ellipsoids）用于多变量时间序列的联合预测集控制。该方法通过冻结状态空间滤波器生成一步预测均值和协方差，并对马氏距离得分进行分割共形校准。在METRLA-20和PEMSBAY-50图原生交通基准上，学习到的滤波器比静态协方差和非滤波器基线获得更尖锐的目标椭球。分析表明，在稳定贝叶斯高斯投影滤波器下，小超额高斯负对数似然可保证学习发射定律的收敛性。

论文 GCN-GRU METRLA-20 PEMSBAY-50 共形预测图神经网络

推荐理由：这篇给时间序列预测搞了新套路，用过滤共形椭球比静态协方差更准，在交通数据集上效果更锐利。

原文

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

6月2日

11:59

arXiv cs.AI@Haimin Hu

该论文提出了一种基于共形预测的算法，用于验证交互式机器人中信念空间安全过滤器（BeliefSF）的高概率安全性。传统安全过滤器仅考虑物理空间，而BeliefSF在运行时结合推理主动降低机器人对人行为的不确定性，从而减少过滤的保守性。然而，由于运行时推理误差和神经网络近似的高维性，提供形式化安全保证极具挑战。作者通过聚焦于推理可靠区域进行验证，保留了共形预测的简单性和样本复杂度，同时显著降低了安全过滤器的保守性。在模拟人车交互基准测试中，该方法比标准共形预测基线验证了更宽松的安全过滤器。

论文安全过滤器共形预测人机交互信念空间机器人安全

推荐理由：做交互式机器人安全验证的团队终于有了兼顾宽松性和形式化保证的方法——BeliefSF结合共形预测，在减少保守性的同时保持样本效率，做自动驾驶或人机协作的开发者值得关注。

原文

5月29日

12:14

arXiv cs.LG@Hanyang Jiang, Rina Foygel Barber, Ashwin Pananjady, Yao Xie

传统共形预测方法依赖数据可交换性和无记忆预测器，这在时间序列中不现实。近期研究表明分割共形预测对时间序列的依赖性和记忆性预测器具有鲁棒性，但分割会降低精度。本文发现原始留一法Jackknife在时间序列中可能严重损失覆盖率，因此提出“留窗口法”（LWO），通过修改Jackknife使其在温和稳定性条件下实现有效覆盖率。实验显示LWO在原始Jackknife失效时仍能保持有效覆盖率，且预测区间比分割共形预测更窄。

论文时间序列共形预测 Jackknife 预测推断统计方法

推荐理由：时间序列预测的置信区间一直是个难题，做时序建模的团队可以试试LWO——它比分割法更高效，也比原始Jackknife更可靠，值得在ARIMA或LSTM上跑一跑。

原文

5月28日

11:26

arXiv 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

arXiv 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

arXiv 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AI COCOCO

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

arXiv 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

5月11日

11:42

11:42arXiv cs.LG（学术论文）

GRAPHLCP是一种用于图神经网络（GNN）的局部化共形预测框架，能够提供分布无关的不确定性量化保证。现有方法仅依赖嵌入空间邻近性进行局部化，但对图结构不可靠且效率低。GRAPHLCP通过特征感知致密化缓解稀疏图局部偏差，利用个性化PageRank核建模拓扑邻近性，从而捕获局部和长程依赖。实验表明，该方法在有限样本下保证边际覆盖率，并在多种回归和分类数据集上实现高效的测试条件覆盖率。

论文图神经网络不确定性量化共形预测拓扑结构个性化PageRank

推荐理由：该工作将图拓扑显式融入共形预测的局部化过程，解决了图场景下传统方法嵌入邻近性不可靠的问题，为图神经网络的可靠不确定性量化提供了新方案，对需要鲁棒预测的图应用（如分子性质预测、社交网络分析）具有实用价值。

原文