Cornell University（康奈尔大学）

DeepTaxon: An Interpretable Retrieval-Augmented Multimodal Framework for Unified Species Identification and Discovery

DeepTaxon: 一种可解释的检索增强多模态框架，用于统一的物种识别与发现

Jiawei Wang, Ming Lei, Yaning Yang, Xinyan Lin, Yuquan Le, Qiwei Ma, Zhiwei Xu, Zheqi Lv, Yuchen Ang, Zhe Quan, Tat-Seng Chua

机构 * National University of Singapore（新加坡国立大学） ； Hunan University（湖南大学） ； Xiangtan University（湘潭大学） ； Hunan Normal University（湖南师范大学） ； Zhejiang University（浙江大学） ； Cornell University（康奈尔大学） ； Meituan（美团） 纠错

AI总结 DeepTaxon通过可解释的检索增强多模态框架，统一物种识别与发现，通过检索证据进行链式推理，提升识别和发现的准确性与可解释性。

Comments 13 pages, 6 figures, 9 tables

On the Convergence Theory of Pipeline Gradient-based Analog In-memory Training

关于管道梯度基类比在内存训练的收敛理论

Zhaoxian Wu, Quan Xiao, Tayfun Gokmen, Hsinyu Tsai, Kaoutar El Maghraoui, Tianyi Chen

机构 * Cornell University（康奈尔大学） ； IBM Research（IBM研究院） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

AI总结 本文研究了异步管道并行在类比在内存计算硬件上进行多层深度神经网络训练的收敛性，证明了Analog-SGD-AP在迭代复杂度上与数字SGD和同步管道SGD相当。

Otherness as a Quality in Designing Expressive Robotic Touch

其他性作为设计表现性机器人触觉的特性

Ran Zhou, Laurens Boer, Daniel Leithinger, Madeline Balaam

机构 * KTH Royal Institute of Technology（皇家理工学院） ； IT University of Copenhagen（哥本哈根大学） ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出将机器人触觉的固有其他性作为设计质量，通过分析艺术和设计先例，探讨如何通过设计策略塑造其他性，以促进表达性和启发性的触觉设计。

Comments Full paper accepted to 2026 ACM Designing Interactive Systems Conference (DIS '26)

A Tale of Two Variances: When Single-Seed Benchmarks Fail in Bayesian Deep Learning

双方差的故事：当单种子基准在贝叶斯深度学习中失效时

Qishi Zhan, Minxuan Hu, Liang He, Guansu Wang, Jiaxin Liu

机构 * Department of Mathematical and Statistical Sciences（数学与统计科学系） ； Marquette University（马凯特大学） ； Cornell Ann S. Bowers College of Computing and Information Science（康奈尔大学安·S·博斯计算与信息科学学院） ； Cornell University（康奈尔大学） ； Physics Science and Engineering（物理科学与工程） ； Tongji University（同济大学） ； School of Computing and Information Systems（计算与信息科学学院） ； The University of Melbourne（墨尔本大学） ； Siebel School of Computing and Data Science（希贝尔计算与数据科学学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究探讨了在有限数据下，单种子基准的均值作为随机变量的可靠性，发现某些方法在训练过程中会产生显著的方差峰值，影响模型评估结果。

Unstable Rankings in Bayesian Deep Learning Evaluation

贝叶斯深度学习评估中的不稳定性

Qishi Zhan, Minxuan Hu, Guansu Wang, Jiaxin Liu, Liang He

机构 * Department of Mathematical and Statistical Sciences（数学与统计学系） ； Marquette University（马凯特大学） ； Cornell University（康奈尔大学） ； The University of Melbourne（墨尔本大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tongji University（同济大学） 纠错

AI总结 本文指出在数据稀缺时，贝叶斯深度学习方法的评估假设失效，提出使用贝叶斯分层模型和预测最小可检测差异曲线来评估方法稳定性，证明在低数据环境下需考虑不确定性。

On the Peril of (Even a Little) Nonstationarity in Satisficing Regret Minimization

关于在满足满意遗憾最小化中即使少量非平稳性的危险

Yixuan Zhang, Ruihao Zhu, Qiaomin Xie

机构 * Department of Industrial & Systems Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校工业与系统工程系） ； SC Johnson College of Business, Cornell University（康奈尔大学SC约翰逊商学院） 纠错

AI总结 研究非平稳K臂老虎机的满足满意遗憾保证，发现当L≥2时最优遗憾为Θ(L log T)，而L=1时可实现T无关的Θ(1)遗憾。

Comments 20 pages