Cornell University（康奈尔大学）

Dysco: Dynamic Subspace Boosting to Mitigate LoRA Interference in Federated Learning

Dysco：动态子空间增强以减轻联邦学习中的LoRA干扰

Haobo Zhang, Jiankun Wang, Suraj Rajendran, Weishen Pan, Lam Tsoi, Yong Chen, Fei Wang, Jiayu Zhou

机构 * University of Michigan（密歇根大学） ； Cornell University（康奈尔大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 研究针对联邦学习中异构客户端使LoRA聚合不稳定的问题，提出动态子空间增强方法Dysco，通过联邦动态分配特定客户端LoRA子空间，经实验验证其能减少干扰、降低训练损失、提升算法性能且开销小。

Comments 33 pages, 10 figures, 11 tables

Beyond scalar losses: calibrating segmentation models via gradient vector field surgery

超越标量损失：通过梯度向量场手术校准分割模型

Laurin Lux, Alexander H. Berger, Moritz Knolle, Daniel Rückert, Johannes C. Paetzold

机构 * School of Computation, Information and Technology, TUM（慕尼黑工业大学计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Radiology, Weill Cornell Medicine（威尔康乃尔医学院放射科） ； School of Medicine and Health, TUM University Hospital（慕尼黑工业大学医院医学与健康学院） ； Cornell Tech（康奈尔科技学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） 纠错

AI总结 研究针对基于区域损失函数训练的分割模型校准不佳问题，提出对梯度向量场进行“手术”，即给损失偏导数添加因子，依预测误差线性缩放梯度大小，经2D和3D医学分割任务验证该方法有效且能保持高预测准确性。

Comments MIDL 2026. Published version: https://proceedings.mlr.press/v315/lux26a.html

Journal ref Proceedings of Machine Learning Research 315:3397-3423, 2026

Large language models can effectively convince people to believe conspiracies

大语言模型能够有效地说服人们相信阴谋论

Thomas H. Costello, Kellin Pelrine, Matthew Kowal, Jasper Timm, Antonio A. Arechar, Jean-François Godbout, Adam Gleave, David Rand, Gordon Pennycook

机构 * Carnegie Mellon University（卡内基梅隆大学） ； York University（约克大学） ； Center for Research and Teaching in Economics（经济研究中心） ； MIT（麻省理工学院） ； Université de Montréal（蒙特利尔大学） ； Mila ； Cornell University（康奈尔大学） ； University of Regina（Regina大学） 纠错

AI总结 研究大语言模型能否有效说服人们相信阴谋论，通过四项实验发现其既能增加也能降低阴谋信念，反驳效果更佳，特定提示可降低支持阴谋论有效性，还存在信息分享上的真理不对称，有潜在技术方案减轻风险。