ACM Symposium on Theory of Computing
PulseAugur coverage of ACM Symposium on Theory of Computing — every cluster mentioning ACM Symposium on Theory of Computing across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新理论收紧了PAC学习中列表可复现性的界限
研究人员在PAC学习框架中为列表可复现性建立了一个新的上限，显著改进了先前的结果。研究表明，对于具有Littlestone维度为'd'和对偶VC维度为'v*'的概念类，列表可复现性由$2^{O(d \min\{\log d, v^*\})}$界定。这个新界限接近最优，紧密匹配已知的下界$2^{\Omega(d)}$，并将先前最佳上限$2^{2^{O(d)}}$指数级地改进。这些发现源于一种新颖的归纳框架，并利用了差分隐私学习和稳定正则化的工具。
-
新的动态Haussler引理为实值类提供了精确界限
本文介绍了Haussler覆盖引理的一个精确全局动态类似物，将其扩展到在归一化 $\ell_p$ 距离下（对于 $1 \le p < \infty$）的有界实值类。该研究提供了一个与实例序列无关的全局动态覆盖界限，并为二元类提供了匹配的最坏情况下界。证明方法结合了降秩校正计划、精确采样前缀和精确续接，并利用共享父路由来优化这些续接。
-
新算法实现了Littlestone类近乎线性的私有学习
研究人员开发了一种新的差分隐私学习算法，显著提高了学习Littlestone类的样本复杂度。新的界限近乎线性，为 $O(d\log d)$，相比之前双指数和 $\widetilde O(d^6)$ 的界限有了实质性改进。这一进展对于学习子空间尤其有影响，新方法实现了对维度 $d$ 的紧密线性依赖，而对环境维度没有依赖。
-
新研究探讨校准距离的计算和统计硬度
研究人员调查了校准距离（一种评估概率预测器的关键指标）相关的计算和统计挑战。他们开发了一种在特定条件下精确计算的有效算法，改进了先前的近似方法。然而，当放宽这些条件时，问题变得NP难，在一般情况下需要近似方案。对于估计，研究表明，特定数量的样本对于经验校准距离在给定epsilon范围内近似真实距离来说是充分且必要的。
-
Google 推出 Deep Review AI 用于技术文档验证
Google Research 公开发布了 Deep Review，这是一个旨在为复杂文档提供严格技术验证和反馈的人工智能系统。Deep Review 最初是作为 Paper Assistant Tool (PAT) 开发的，用于协助计算机科学会议的学术同行评审，现在它支持更广泛的文档类型，包括法律和金融文本。该系统旨在解决内容创建速度超过人工审查能力日益增长的瓶颈问题，提供分层访问，包括免费选项和用于更高使用量的 API 集成。
-
新 $γ$-VC 维度参数用于分析弱学习器提升
本文介绍并分析了 $γ$-VC 维度，这是一个表征将弱假设转化为精确预测器所需样本复杂度的参数。该研究细化了传统 VC 维度与此新参数之间的关系。此外，它还提供了关于 $\mathbb{R}^d$ 中决策桩和轴平行矩形 $γ$-VC 维度的更新的上限和下限。
-
Google 的 Stellar Colosseum 模型利用 Gemini 模型攻克长时数学证明
Google Research 开发了一个名为 Stellar Colosseum 的新型多智能体系统，旨在解决长时任务，尤其是在数学证明方面。该系统分阶段运行，并行生成候选解决方案，对其进行有针对性的证伪，并将其与批评意见合并。当与 Gemini 3.1 Pro 和 Gemini 3.7 Flash 结合使用时，Stellar Colosseum 在定理证明任务的 TCS-Bench 基准测试中取得了 71.0% 的成功率，并解决了…
-
ReLU 网络可以用更少的层表示最大值函数
研究人员已经证明，对于任何 n 高达 10 的情况，n 个实数的最大值都可以用具有两个隐藏层的 ReLU 网络精确表示。这是通过将问题转化为精确的有理线性代数问题，并通过计算求解必要的抵消来实现的。该研究还表明，对于 n > 10 的情况，最大值可以用比先前认为的更少的隐藏层来表示，从而改进了先前的界限。
-
Google AI 评审 10,000 篇论文，发现的错误多 34%
Google 开发了一个能够对科学论文进行同行评审的 AI 系统，已成功处理了 ICML 和 STOC 会议的约 10,000 篇投稿。一份详细介绍该系统的正式研究论文指出，与标准的零样本提示方法相比，该系统能识别出多 34% 的数学错误。此次部署为大规模、由 AI 驱动的科学评审流程树立了先例。
-
Google的Paper Assistant工具实现科学评审自动化
Google开发了Paper Assistant Tool (PAT)，这是一个旨在辅助科学评审过程的AI框架。PAT分析完整的稿件，以检查理论结果、验证实验并识别潜在缺陷，在SPOT基准测试中将数学错误召回率提高了34%。STOC和ICML会议的试点项目表明，PAT在捕获关键错误和提出改进建议方面非常有效，从而在保持人类监督的同时减轻了人类审稿人的负担。
-
Google Gemini工具为科学论文提供自动化反馈
Google Research开发了一款名为论文助手工具（PAT）的实验性AI工具，该工具利用Gemini 2.5 Deep Think的先进版本，为理论计算机科学论文提供自动化反馈。PAT已在STOC 2026会议上进行测试，旨在帮助研究人员在人类同行评审之前严格验证其工作并识别错误。早期结果显示用户满意度很高，超过80%的参与者认为反馈有帮助，97%愿意再次使用该工具。