由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
杜克沃斯-刘易斯-斯坦方法公平性审计：格式特定及性别差异偏见，并带有可解释的校准层用于板球目标修正
原标题：A Fairness Audit of the Duckworth-Lewis-Stern Method: Format-Specific and Gender-Differential Bias, with an Interpretable Calibration Layer for Cricket Target Revision
作者：Soumyadeep Roy
期刊：arXiv每日人工精选
出版时间：2026/09/04
摘要：杜克沃斯-莱斯-斯坦恩(DLS)方法自1999年以来一直是因降雨中断的有限 overs板球比赛中修订目标分数的国际标准。尽管已经运营使用超过二十年，但尚未发表过大规模的经验审计其预测偏差的论文。我们对来自Cricsheet的8,150场国际比赛（3,095 ODIs，5,055 T20Is）进行此类审计，生成了233,550个合成中断场景，并进行了时间分割。我们记录了两种结构化的偏差。首先，DLS预测误差在(overs-remaining, wickets-lost)比赛状态桶中跨越137运行的范围。其次，DLS在ODI中表现出一种此前未被量化过的性别差异偏差：在训练集上，对男队的平均过度预测值为+1.51分，而对女队则为+7.63分，差距为+6.13分(F = 195.16, p < 10^-43)。我们将DLS与五个现代替代方案进行了基准测试：Bi-LSTM，XGBoost，一个增强的XGBoost变体，一个深度上下文感知模型以及一个堆叠集成，并提出了DLS-Cal，一个轻量级可解释校准层（27K parameters），输出一个状态条件修正，添加到DLS中。DLS- Cal 减少了 ODI 上的绝对偏差 31%，减少了 T20I 上的绝对偏差 19%，并且一种性别意识变体将女性 ODI 的残差偏差从 +6.19 减少到 +0.65 分，同时保持男性校准不变。我们发布代码、模型和数据。
原文链接
单射类型的示例和反例
原标题：Examples and counterexamples of injective types
作者：Tom de Jong; Martín Hötzel Escardó
期刊：arXiv每日人工精选
出版时间：2026/09/04
摘要：已知在单值数学中，类型宇宙、宇宙中的n-类型类型、反射子宇宙以及提升幺半群代数的基础类型都是（algebraically）单射的。在这里，我们进一步表明序数类型、迭代（multi）集类型、任意指针有向完全偏序集的基础类型以及（small）∞-玛格、幺半群和群的类型都是单射的，以及其他示例。并非所有类型的数学结构在一般情况下都是单射的。例如，居住类型类型的种类是单射当且仅当所有命题都是投影。尖类型和非空类型的类型总是单射的。两种元素类型的类型的单射性蕴含了Fourman和Ščedrov的世界最简单的选择公理。我们也证明除非弱命题resizing原则成立，否则不存在非平凡的小注入类型。其他反例包括布尔类型、简单类型、Dedekind实数类型以及conatural数类型，这些类型的单射性蕴含了弱排中律。更一般地，具有分离关系且存在两个可分离点的任何类型除非弱排中律成立否则不能是单射的。最后，我们证明除非弱排中律成立（这相当于对单射类型的一个Rice定理），否则单射类型没有非平凡的可判定性质。
原文链接
道德能力先于道德内容：为什么LLM代理缺乏一致对齐的先决条件
原标题：Moral Competence Before Moral Content: Why LLM Agents Lack the Prerequisites for Coherent Alignment
作者：Arno Libert; Derck W. E. Prinzhorn; Daan R. Henselmans
期刊：arXiv每日人工精选
出版时间：2026/09/04
摘要：AIalignment需要AI系统遵循人类的规范、价值观或意图。在价值多元论下没有正确的目标，但一个共同的前提是系统的行为表达出一致的政策：一种从情境到判决的映射，在道德相关特征被保持的情况下不变，在它们改变时敏感。我们介绍了如下四种一致性的政策结构条件：判决稳定性，单调性，决定性和帕累托可行性。他们共同衡量一种仅通过行为即可评价的道德能力形式，而不参考道德标准或专家基准，形成对齐的结构基础而非规范目标。我们通过三个模拟部署展示了该方法论，这些部署中基于大型语言模型的代理面临道德困境。在五种释义、五个升级级别和三种支配条件的因子设计下评估九个前沿模型，我们发现没有一个模型能够在三个部署中表达一致的策略：表面形式扰动本身就能在一个单独的升级级别上产生高达99个百分点的判决率变化，并且一个模型在一个场景中的成功并不能预测其在另一个场景中的能力。这表明基于LLM的代理目前不是那种可以有意义地应用对齐的对象。
原文链接
通过论辩分析衡量AI责任：模型推理能否经受审查
原标题：Measuring AI Accountability Through Argumentation Analysis: Can Model Reasoning Withstand Scrutiny?
作者：Daan R. Henselmans; Derck W. E. Prinzhorn; Arno Libert
期刊：arXiv每日人工精选
出版时间：2026/09/04
摘要：人工智能监管方法依赖于真实情况来进行验证，但什么是适当的人工智能行为是有争议的。这使得对大型语言模型中的道德推理评估以及基于辩论的监管回避了现实中的模糊性。我们研究了一种替代标准，该标准旨在在存在此类模糊性的情况下运作：通过沃尔顿的论证方案理论和戈维尔的论据有效性标准为基础的四阶段辩证协议来衡量模型为其判决响应批判性问题所构建的结构质量。该协议适应不同的推理框架，超越了多项选择的框架，并处理判决前的推理及其事后的辩护。在九个前沿模型和200个高歧义性MoralChoice项目--6,778个评分单元，通过二元失败判断的89.6％评分者间一致性验证--每个维度上，模型都很好地捍卫了其推理，超过了评分标准的最低要求。失败集中在论据和充分性上，并且与认识上的保留相关联而不是论证长度。推理比事后的解释更有说服力，在每一个模型和每一个Govier维度上。其证明中呈现的方案与其在大部分困境(≥20%per model)中所使用的推理不同，尽管基于价值的实际推理在两个阶段都占主导地位。该协议捕获了严格站不住脚的辩护（自相矛盾，虚假前提），并且它揭示了在人工智能对齐中界定撤回作用的困难，暗示需要更多的情境化评估。
原文链接
超越平稳性的时间序列：通过马尔可夫毯发现因果结构和潜在制度
原标题：Beyond Stationarity in Time Series: Discovering Causal Structures and Latent Regimes via Markov Blankets
作者：Lei Zan; Charles K. Assaad; Emilie Devijver; Eric Gaussier
期刊：arXiv每日人工精选
出版时间：2026/09/04
摘要：本文介绍了基于马尔可夫毯的制度感知约束法和噪声法因果发现（RCBNB-MB），这是一种新颖的时间序列因果发现算法，放松了常见的单一时间一致因果结构假设。时间序列通常在离散的时间点被观察到，并且经常表现出制度变化，这些变化挑战了静态因果结构的假设，在许多现实世界的动态系统中这是一个限制。为了解决这一挑战，RCBNB-MB 识别潜在的因果制度，定义为在其中稳定因果结构存在的时间点子集。该算法遵循一种迭代策略，将时间序列分割成各个制度，并在每个制度内发现因果图。通过利用马尔可夫毯子而不是直接父节点，RCBNB-MB 获得了对因果发现中错误的鲁棒性，并保持了预测信息。我们提供了在合理假设下RCBNB-MB能够恢复制度转换和因果图的能力的理论保证。此外，我们通过在具有已知真实值的模拟数据集以及现实世界的IT监控数据上进行广泛的实验来验证其有效性，在这些实验中，考虑到制度转变至关重要。实证结果表明，RCBNB-MB 在准确检测制度变化及其相关因果图方面系统性优于基准方法，使其成为非平稳时间序列分析的稳健且多功能框架。
原文链接
低延迟优化的结构化网络地理分布存储
原标题：Latency-Optimal Geo-Distributed Storage over Structured Networks
作者：Madhura Pathegama; Viveck Cadambe
期刊：arXiv每日人工精选
出版时间：2026/09/04
摘要：我们研究在建模为加权图的地分布存储系统中延迟最优的文件分配问题，在该模型中边权重表示通信延迟，每个节点存储一个（可能是编码过的）文件。我们的目标是将平均检索原始文件所需的时间最小化，该时间在所有节点和文件中均匀选取。对于每一个固定的文件数k≥3，通过从支配数问题的约简证明计算最小延迟分配是NP难的。从积极的一面来看，我们确定了自然网络拓扑结构，在这些拓扑结构中可以实现无编码的、有结构的最佳分配，在这种分配下，对于每一个节点，可以选择其包括自身在内的k个最近的节点来存储不同的原始文件。我们证明了每个加权树、某些加权环以及最小度足够大的单位权重图都允许这样的分配。对于这些图类，我们提供了构造延迟最优文件分配的有效算法。
原文链接
从深到浅：无约束高效层融合策略
原标题：From Deep to Shallow: Unconstrained and Efficient Layer Merging Strategy
作者：Petro Shulzhenko; Gabriele Spadaro; Enzo Tartaglione
期刊：arXiv每日人工精选
出版时间：2026/09/04
摘要：尽管深度神经网络在机器学习的许多领域已成为基础，但高计算需求限制了它们在资源受限环境中的应用。为了解决这个问题，已经提出了深度压缩方法来识别和线性化冗余激活函数，从而允许在没有中间非线性的情况下合并层。然而，这些方法面临两个关键挑战：由于缺乏一种分析解来合并这些层，它们不能直接应用于具有填充的卷积；并且它们通常增加合并层的核大小，从而限制了加速收益。为了克服这些限制，我们提出了一种有效的策略，该策略能够在没有现有解析解的情况下实现层的合并，并且不会增加核大小。我们通过多种架构和数据集验证了我们的方法，并在真实的嵌入式平台上测量了推理加速的收益。我们在https://github.com/ShulzhenkoPetr/deep-to-shallow公开发布了代码。
原文链接
简化以增强：通过较少步骤实现谱社区检测的信息理论界限(Simplify to Amplify: Achieving Information-Theoretic Bounds with Fewer Steps in Spectral Community Detection)
原标题：Simplify to Amplify: Achieving Information-Theoretic Bounds with Fewer Steps in Spectral Community Detection
作者：Sie Hendrata Dharmawan; Peter Chin
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：我们提出了一种用于两社区随机块模型（SBM）的社团检测的精简谱算法，在恒定边密度假设下。通过消除非必要的预处理步骤来降低算法复杂性，我们的方法直接利用了邻接矩阵的谱性质。我们证明了我们的算法利用了第二个特征向量的特定特性，从而实现了接近信息论极限的改进误差界限，这相对于现有方法而言是一个显著的进步。理论分析证明我们的错误率比文献中先前报告的界限更紧。全面的实验验证确认了我们的理论发现，并展示了简化方法的实际有效性。我们的结果表明，算法简化而非增加复杂性可以导致谱系社区检测在计算效率和增强性能方面取得成果。
原文链接
代码LLM中用于声音和对抗测试生成的两阶段强化学习
原标题：Two-Stage Reinforcement Learning for Sound and Adversarial Test Generation in Code LLMs
作者：Jiacheng Xu; Wentao Zhang; Zhiyi Lyu; Fuxiang Zhang; Chaojie Wang; Yang Liu; Bo An
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：强化学习（RL）通过可执行反馈在大型语言模型（LLMs）的代码生成方面取得了重大进展。编码问题的反馈主要来自特定的测试用例，在这些测试用例中，高质量的测试用例往往稀缺，因为它们既要有效又要具有区分性。因此我们转向研究使用学习到的模型自动生成测试用例。我们发现这是一个自然的对抗性强化学习问题：模型期望生成有效的测试用例作为反例，取决于当前求解器的失败模式。我们提出测试用例扩展（Test Cases Scaling，TCS），一个用于有效生成测试的两阶段强化学习框架。两个阶段都从滚动策略对齐缓冲区训练一个测试生成器：第一阶段生成与参考解决方案一致的测试，第二阶段将缓冲区限制在当前故障模式并学习反例测试。在TACO和LiveCodeBench上，TCS根据生成的测试改进了pass@1和推理时间答案选择。我们发现训练出的测试生成器也有助于在其他LLM输出中进行有效选择。
原文链接
修复FOLIO和MALLS：验证注释及一个LLM辅助框架以聚焦人工重新标注
原标题：Fixing FOLIO and MALLS: Verified Annotations and an LLM-assisted Framework to Focus Human Relabeling
作者：Andrea Brunello; Cristian Curaba; Luca Geatti; Michele Mignani; Angelo Montanari; Nicola Saccomanno
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：从自然语言到一阶逻辑（NL-to-FOL）的准确翻译是神经符号人工智能系统和自然语言推理（NLI）的基础，因此NL-to-FOL基准的质量至关重要——然而这些数据集从未经过严格的审核。我们的第一个贡献是系统地检查了\textsf{FOLIO}验证集和\textsf{MALLS}测试实例的一个子集，发现分别有大约42.5％和42％的条目包含不正确的FOL形式化（即，ground truth labels），另有含糊不清的自然语言句子的比例分别为17.8％和51％，以及在\textsf{FOLIO}中不正确的NLI标签比例为8.4％。我们的第二个贡献是开发并发布此类数据集的校正真实值，表明标注错误会扭曲模型在参考基准任务上的评估：使用校正的真实值对三个最先进的大型语言模型（Gemma~4 31B-it，Qwen3-30B-A3B 和 GPT-4o-mini）进行测试可获得从+11到+23个百分点的准确率提升。受这些发现的启发，我们提出了一种基于LLM的框架来支持人类手动审查NL到FOL的数据集。通过引导审稿人关注错误率最高的实例，我们实证表明，在审查少于20％的实例后可以达到90％的数据集准确率，相比之下，无指引审查需要超过76％的实例。我们发布所有人工验证的标注和我们的框架代码。
原文链接
因果世界模型的统一视角：从观察到表征再到结构
原标题：A Unifying Perspective on Causal World Models: From Observations to Representations to Structure
作者：Avinash Kori; Fabrizio Russo
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：世界模型（WM）被视为能够预测、规划并在其训练分布之外采取行动的智能代理的基础。本文从因果角度研究WMs，跨越多个抽象层次，从感知观察到构建环境动态结构的概念表示。我们认为有用的WMs必须超越生成能力本身：它们还应捕获实体属性、实体间的相互作用以及决定和解释系统动态的实体与环境之间的相互作用。我们提供了基于它们所支持的任务的因果世界模型（CWMs）的形式定义，将世界建模与现有的因果表征学习、以对象为中心的学习、因果发现、结构因果模型以及基于模型的决策制定工作联系起来。最后，我们将CWMs与关于可识别性的文献联系起来，阐明从数据中可以恢复出WM的哪些组成部分以及在何种等价性范围内。通过这种方式，我们将WMs建立在支持因果推理和知情决策的表示和结构上。
原文链接
基于回归导向累积量的联邦因果发现
原标题：Federated Causal Discovery via Regression-Directed Cumulants
作者：Pablo Torrijos; Fabio Stella; José A. Gámez; José M. Puerta
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：在本文中我们研究了线性非高斯无向模型（LiNGAM）在联邦环境中的应用。这些因果模型允许超越马尔可夫等价性。然而，在许多领域数据稀缺，并且由于诸如GDPR之类的法规，通过集中来自不同客户的数据来增加样本量是不可取的。联邦环境提供了一个吸引人的选项来平衡隐私和因果发现的准确性。不幸的是，在LiNGAM设置中，即DirectLiNGAM，不能直接实现联邦化。高阶累积量张量提供了一种绕过这一障碍的方法：它们仅依赖于所涉及变量的联合分布，并且在独立样本组之间恰好相加，因此在一个水平、垂直或混合分区中单次通信就足够了。然而，FedISHC，即沿此路线的当前联邦方法，在接近对称噪声下失效。为克服上述限制，我们引入了因果发现算法FedRCD家族，并研究了三种变体，在通信轮次和代数噪声之间进行权衡；其中两种是集中式高阶累积量（HC）和HC-LiNGAM算法的精确联邦对应版本，单轮变体进一步有效地支持从单一观测到整个客户端任意粒度的确切卸载。数值实验表明，在实际部署中典型的样本量下，整个基于累积量的联合家族并不能实际上按编码在零处的人口偏度对变量进行排名。它通过DAG沿其有向路径诱导的方差阶梯对其排序，这是varsortability的累积量对应物。边缘标准化使每一种累积量方法都退化到近乎随机排序，而尺度不变的DirectLiNGAM（无法在该协议下实现联邦化）则不受影响。
原文链接
熵及连通软随机几何图的分布式源编码
原标题：Entropy and Distributed Source Coding of Connected Soft Random Geometric Graphs
作者：Oliver Baker; Carl P. Dettmann
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：我们考虑在连通阈值之上对Soft随机几何图(SRGGs)进行分布式压缩。我们建立了SRGG在存在有限数量的编码器独立压缩图部分的情况下Slepian-Wolf速率区域。为此，我们证明了SRGG及其熵的新极限定理和渐近等分性质，这使我们可以使用随机分桶技术进行分布式压缩。
原文链接
HalluPeer：一种用于检测科学同行评审中幻觉的基于分类学的基准
原标题：HalluPeer: A Taxonomy-driven Benchmark for Detecting Hallucinations in Scientific Peer Reviews
作者：Tzu-Ling Lin; Dong-Ting Yao; Teng-Fang Hsiao; Wei-Chih Chen; Hong-Han Shuai
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：学术同行评审规模的扩大促使了大型语言模型（LLMs）作为审稿助手的应用，然而LLMs可以生成流畅但缺乏支持的主张，从而损害评审的可靠性。现有的幻觉基准测试并不是为了同行评审而设计的，在同行评审中，验证需要将主张建立在长篇的技术论文上。我们介绍了HalluPeer，一个用于检测科学同行评审中幻觉的基准，提供论文内容、人工撰写的评论以及注入幻觉的评论的对齐三元组，并对其进行标注以便于检测、分类和定位。我们的流程诱导出特定于同行评审的幻觉分类法，识别评审上下文，并在自动过滤下注入幻觉。对12K篇论文和38K篇审稿意见的实验表明，现有的检测器难以区分幻觉与合法批评，而对真实审稿意见的评估则显示HalluPeer定义的幻觉模式出现在实际同行评审中，突显了源意识验证的关键需求。我们的项目页面位于 https://github.com/Lin-TzuLing/HalluPeer.git
原文链接
自适应解决马尔可夫决策过程函数逼近的方法(含函数近似)
原标题：Adaptive Resolving Methods for Markov Decision Processes with Function Approximations
作者：Jiashuo Jiang; Yinyu Ye; Yiming Zong
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：从样本学习马尔可夫决策过程问题（MDPs）的最优策略是在线和数据驱动决策制定中的基本问题。函数逼近通常被部署来处理大的或无限的状态-动作空间。在我们的工作中，我们考虑了具有函数逼近的马尔可夫决策过程问题，并开发了一种新的算法来高效地解决它。我们的算法基于线性规划(LP)的重新表述，并且在新的过渡样本到达时反复求解所识别的简化线性系统。在最优基被确定之后，我们表明，在经过N次解析轮后，预期的平均迭代实现了依赖于实例的O˜(Cinst/N)目标差值和带符号的约束残差。我们将用于基础识别的历史样本和每个解析轮次中使用的d2跃迁查询分别记录下来，从而得到相应的总跃迁查询复杂度。我们进一步用一个独立于Δ的鲁棒的O(1/N−−√)界补充了我们的结果。与以往文献中建立的保证相比，我们的实例依赖性保证在底层实例有利时更为紧致，并且数值实验还揭示了我们算法的广泛应用和高效的实证性能。
原文链接
头室漂移回放：GRPO中基于原则的回放控制的基础
原标题：Headroom-Drift Replay: A Primitive for Principled Replay Control in GRPO
作者：Hyun Bin Park; Du-Seong Chang
期刊：arXiv每日人工精选
出版时间：2026/09/03
摘要：基于强化学习的推理模型训练后的微调正越来越多地受到反复生成新鲜数据集的限制，在代理设置中尤其如此，其中环境交互占据了主要的时间成本。重播可以通过重复使用过去的轨迹来减轻这种负担，但现有方法通常将其嵌入涉及探索、经验重构或混合策略优化的更大训练管道中。这使得重播本身的影响难以隔离。我们提出一个集中的问题：基于原则的重播选择本身能走多远？我们介绍了Headroom-Drift Replay，这是一种用于GRPO的组级重播控制原语，它将重用分离成两个决定。余量排名根据剩余学习价值对存储组进行排序，而漂移则根据与当前策略的兼容性对其进行分类。新鲜的在策略流保持不变，该方法不增加任何辅助生成或训练设备。在数学推理、多模态推理和代理搜索基准上，这一单一干预措施的表现优于简单的重播，并且在Avg Mean@32指标上至少达到甚至超过更广泛的重播方法。在代理搜索中，在环境交互主导成本的情况下，它以实质性更短的墙钟时间提供相当的质量。
原文链接
塔尔斯基的高中代数问题上的SAT攻击
原标题：A SAT Attack on Tarski’s High School Algebra Problem
作者：Bernardo Subercaseaux; Benjamin Przybocki
期刊：arXiv每日人工精选
出版时间：2026/09/02
摘要：塔尔斯基的高中代数问题询问是否所有关于正整数加法、乘法和指数运算的真实恒等式都可从一个包含11个基本恒等式的列表中推导出来。令人惊讶的是，Wilkie 表明了以下恒等式在正整数范围内有效，但并不遵循Tarski 的公理：((1+x)y+(1+x+x2)y)x⋅((1+x3)x+(1+x2+x4)x)y=((1+x)x+(1+x+x2)x)y⋅((1+x3)y+(1+x2+x4)y)x。Gurevič 给出了一个包含59个元素的代数结构，该结构满足Tarski 的公理但不满足Wilkie 的恒等式；多年来，多位作者逐步缩小了这种反例的规模，最终Burris 和Yeats 提出了一种规模为12的反例。另一方面，张证明不存在少于11个元素的反模型。使用SAT，我们证明了最小的反例模型大小为12，正如Burris和Yeats所猜想的。此外，我们证明在同构的意义下，恰好存在8,957,952个含有12个元素的反模型，并提供了一种简单的分类方法。我们的SAT方法优于专门用于在等式理论中寻找反例的工具，即Mace4和SEM。此外，利用自动形式化，我们在Lean中证明了我们主要结果的正确性。
原文链接
TaRA：训练感知低秩适应初始化
原标题：TaRA: Training-Aware Low-Rank Adaptation Initialization
作者：Taehyeon Kim; Eunhyeok Park
期刊：arXiv每日人工精选
出版时间：2026/09/02
摘要：低秩适应（LoRA）已经成为参数高效微调（PEFT）的事实上的标准，但由于低秩分解施加的信息瓶颈，其性能对初始化非常敏感。现有方法试图通过利用预训练权重、激活或梯度的主要成分来构建高质量的LoRA初始化。然而，这些方法并没有直接考虑全秩模型的训练动态。本文提出了一种称为训练感知低秩适应初始化（TaRA）的方法，该方法使LoRA初始化使得由低秩因子诱导的梯度接近对应全秩权重矩阵的梯度。基于数学公式推导出的TaRA在训练初期提高了梯度保真度，同时引入了可忽略不计的计算开销。在各种各样的具有挑战性的微调任务中，TaRA 一直优于先前的最佳方法，建立了一个简单、稳健且可扩展的解决方案，用于有效的 LoRA 初始化。
原文链接
