What and When to Learn: CURriculum Ranking Loss for Large-Scale Speaker Verification
什么和何时学习：大规模说话人验证的课程排名损失
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出CURriculum Ranking损失，通过在线估计样本难度，提升大规模说话人验证的鲁棒性，显著降低EER。
高校专区
Carnegie Mellon University（卡内基梅隆大学）
A Machine Learning Approach for Detection of Mental Health Conditions and Cyberbullying from Social Media
从社交媒体检测心理健康状况和网络欺凌的一种机器学习方法
机构 * Carnegie Mellon University Africa Kigali, Rwanda（卡内基梅隆大学非洲分校基加利分校，刚果（金））
AI总结 本文提出统一的多类分类框架，用于从社交媒体数据中检测十种不同的心理健康和网络欺凌类别，通过实验表明端到端微调对性能至关重要，MentalBERT模型在准确率和宏F1分数上表现优异。
Comments Best Paper Award at the AAAI-26 Bridge Program on AI for Medicine and Healthcare. Published in Proceedings of the Second AAAI Bridge Program on AI for Medicine and Healthcare, PMLR 317:15-26, 2026. Paper URL: https://proceedings.mlr.press/v317/ajayi26a.html
DELULU: Discriminative Embedding Learning Using Latent Units for Speaker-Aware Self-Trained Speech Foundational Model
DELULU：基于潜在单元的判别嵌入学习：面向说话人感知的自训练语音基础模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 DELULU通过在伪标签生成中引入说话人信息结构，提升语音模型对说话人特征的判别能力，在说话人验证、声纹识别等任务中取得显著提升。
KnowledgeSmith: Uncovering Knowledge Updating in LLMs with Model Editing and Unlearning
KnowledgeSmith：通过模型编辑和遗忘揭示LLM中的知识更新
机构 * Carnegie Mellon University（卡内基梅隆大学） ； William & Mary（威廉与玛丽学院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出KnowledgeSmith框架，系统研究LLM的知识更新机制，通过结构化干预揭示知识传播、可塑性与鲁棒性等特性。
Comments ICLR 2026
Wasserstein Parallel Transport for Predicting the Dynamics of Statistical Systems
Wasserstein 平行传输用于预测统计系统的动态
机构 * Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系） ； Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Department of Economics, Emory University（埃默里大学经济系）
AI总结 本文提出Wasserstein平行趋势方法，通过最优传输几何中的平行传输解决分布空间缺乏向量空间结构的问题，实现因果推断、领域适应和反事实预测。
Beyond Multi-Token Prediction: Pretraining LLMs with Future Summaries
超越多令牌预测：通过未来摘要预训练语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学） ； FAIR at Meta（Meta的FAIR）
AI总结 本文提出未来摘要预测(FSP)方法，通过训练辅助头预测紧凑的长期未来表示，提升长形式生成能力，在数学、推理和编码基准测试中优于NTP和MTP。
Comments Proceedings of the Fourteenth International Conference on Learning Representations (ICLR) 2026
