- 论文公开站arXiv
可用护栏：跨ML系统认证选择性预测
Available Guardrails: Certifying Selective Prediction across ML Systems
摘要显示，该论文将选择性预测器视为安全门，要求在每个报告单元上以目标精度认证可靠性。作者用经典精确二项式反演使“可用性”可计算，并将固定组序下的报告分区选择建模为动态规划，揭示安全、粒度与覆盖流量之间的权衡。结果显示，真实信息规划者比支持平衡平均覆盖率提升0.157，而朴素估计器仅恢复0.005；跨规划/选择分割可部分弥补差距，提升0.060，方向在60个模型效应中59个复现。
意义：为需要按工具、策略标签或患者亚组认证精度的ML部署提供可计算框架，提示有限校准数据下认证可用性是核心瓶颈。
- 开源项目公开站GitHub
哈佛CS249r《机器学习系统》教材：基础、扩展、智能体AI与物理AI（第I–IV卷）
harvard-edge/cs249r_book — Machine Learning Systems: Foundations, Scaling, Agentic AI, and Physical AI (Vols I–IV) • Harvard CS249r | https://mlsysbook.ai
摘要显示，哈佛大学CS249r课程教材《机器学习系统：基础、扩展、智能体AI与物理AI》四卷本已在GitHub开源，获得约2.8万星标。该项目由harvard-edge维护，配套网站为mlsysbook.ai，内容覆盖机器学习系统从基础到前沿方向的多个主题。
意义：为开发者与AI从业者提供系统化、免费且高关注度的机器学习系统学习资源，覆盖从基础到智能体AI与物理AI的前沿内容。