精选Apple Machine Learning Research论文
协商用户自主个人感知系统中的本体论边界
该研究探讨用户自主构建个人感知系统时的本体论边界问题。指出传统评估多关注可用性、有用性或技术可行性，忽视了用户对系统设计可能性的协商能力。作者设计了两个开放式探针进行实验，旨在缓解设计物对用户想象力的限制，赋予用户更多定义系统形态的权力。
设计产物具有本体论属性，它们塑造了可能性，并在某些情况下限制了可能或可想象的事物。缓解此类限制的一种途径是赋予人们掌控系统设计及构建方式的权利。尽管数十年来学界一直在研究支持此类创作的系统，但这些系统往往仅从可用性、实用性或技术可行性角度进行评估，导致关于本体论边界协商的问题未被深入考察。我们设计了两个开放式探测工具，利用“绿野仙踪”（Wizard of Oz）技术，使用户能够体验在自我定义的现象上训练个性化机器学习系统的过程。在一项为期一周的探索性研究中，参与者在日常生活中使用了这两种探测工具之一。我们确定了四个本体论边界被协商的场域：现象的边界、作为关系一部分的主体、信号与噪声的界定，以及数据的客观性。我们提出了通过设计支持边界协商的起点，并探讨了开放式探测工具作为本体论设计方法的价值。
- † 斯坦福大学
- ** 在苹果公司工作期间完成
相关阅读与更新。
代理谈判中的行为隐私泄露：通过随机策略形式化并缓解推理攻击
2026年7月10日 研究领域：方法与算法，研究领域：隐私 会议：国际可用性、可靠性和安全性会议 (ARES)
本文已被国际可用性、可靠性和安全性会议 (ARES) 2026 上的 AI4TCI（面向安全可信关键基础设施系统的AI研讨会）研讨会录用。
自主谈判代理正越来越多地部署于保险和采购等高利害场景中。虽然密码学技术保护了明确披露的约束值，但它们未能解决一个更微妙的威胁：……
ODKE+：基于本体论引导的大语言模型开放域知识提取
知识图谱 (KGs) 是许多人工智能应用的基础，但保持其时效性和完整性仍然成本高昂。我们推出了 ODKE+，这是一个生产级系统，能够从网络源中以高精度自动提取并摄入数百万条开放域事实。ODKE+ 将模块化组件组合成可扩展的流水线：(1) 提取发起者检测缺失或过时的数据，(2) 证据检索器收集支持性……
发现机器学习领域的机遇。
我们的机器学习研究每天都在开辟新领域。