ICML 2025
PulseAugur coverage of ICML 2025 — every cluster mentioning ICML 2025 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究详细介绍了具有无限方差的双边贸易的最小最大遗憾
一篇新发表在arXiv上的研究论文介绍了一种用于重尾估值下双边贸易的新算法，特别解决了交易者估值具有无限方差的情况。所提出的方法扩展了现有的自界定性质，并利用截断均值估计来实现一种遗憾率，该遗憾率在经典的非参数率和线性率之间进行插值。这项工作为这个复杂的交易问题提供了精确的最小最大率表征。
-
Google Research 通过少样本学习增强时间序列预测能力
Google Research 开发了一种新方法，通过在推理时从少量示例中学习来增强时间序列预测模型。这种方法称为 In-Context Fine-Tuning (ICF)，建立在其先前的 TimesFM 模型之上，通过使用带有特殊分隔符的持续预训练来实现。这些分隔符有助于模型区分历史预测数据和提供的示例，从而无需传统的监督微调即可进行适应和改进预测。
-
Google Research 发布 CTCL 以实现隐私保护的合成数据生成
Google Research 开发了一种名为 CTCL 的新型隐私保护合成数据生成算法，专为资源受限的 AI 应用而设计。与需要微调大型语言模型或大量提示工程的先前方法不同，CTCL 使用了一个较小的 1.4 亿参数模型。该框架在 ICML 2025 上发布，通过主题信息进行条件约束，以匹配私有数据的分布，并能在没有额外隐私成本的情况下生成无限的合成数据样本。CTCL 在与现有算法相比，尤其是在强隐私保证下，表现出了卓越的性能。
-
哪个代理导致任务失败以及何时发生？宾夕法尼亚州立大学和杜克大学的研究人员探索了 LLM 多代理系统的自动化故障归因
宾夕法尼亚州立大学和杜克大学的研究人员，以及来自 Google DeepMind 等机构的合作者，为 LLM 多代理系统引入了一个新的研究问题，称为“自动化故障归因”。他们开发了第一个基准数据集“Who&When”以及几种自动识别哪个代理导致了任务失败以及在哪个时间点的方法。这项工作旨在简化目前耗时的人工调试过程，并提高复杂多代理系统的整体可靠性。该论文已被 ICML 2025 接受为 Spotlight 演示，代码和数据集现已开源。
-
Google发布Simula和CTCL以实现高级合成数据生成
Google Research推出了Simula，一个将合成数据生成视为机制设计问题的框架。这种方法可以对数据集的覆盖范围、复杂性和质量等特征进行精细控制，解决了专业AI应用中真实世界数据稀缺的问题。此外，Google还展示了CTCL，一种隐私保护的合成数据生成算法，无需微调大型语言模型，适用于资源受限的环境。