Georgia Institute of Technology（佐治亚理工学院）

Training the Knowledge Base through Evidence Distillation and Write-Back Enrichment

通过证据蒸馏和写回丰富训练知识库

Yuxing Lu, Xukai Zhao, Wei Wu, Jinzhuo Wang

机构 * Peking University（北京大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出WriteBack-RAG框架，通过标注示例识别检索成功区域，提取相关文档并蒸馏为紧凑知识单元，提升RAG系统性能，平均提升2.14%。

Comments 15 pages

SoftMimicGen: A Data Generation System for Scalable Robot Learning in Deformable Object Manipulation

SoftMimicGen：一种用于可变形物体操作规模化机器人学习的数据生成系统

Masoud Moghani, Mahdi Azizian, Animesh Garg, Yuke Zhu, Sean Huver, Ajay Mandlekar

机构 * NVIDIA（英伟达） ； University of Toronto（多伦多大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出SoftMimicGen，一种自动化数据生成流水线，用于可变形物体操作任务，涵盖多种真实物体和行为，通过高保真模拟环境生成数据并训练高性能策略。

Grokking as a Falsifiable Finite-Size Transition

作为可检验的有限尺寸转变的Grokking

Yuda Bi, Chenyu Zhang, Qiheng Wang, Vince D Calhoun

机构 * Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS Center)（三机构神经影像与数据科学转化研究中心） ； Beijing Institute of Technology（北京理工大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文通过有限尺寸输入验证了Grokking的相变语言，利用群阶p和频谱头尾对比作为参数，揭示了有限尺寸边界，并通过AIC值否定平滑临界解释。

ByteLoom: Weaving Geometry-Consistent Human-Object Interactions through Progressive Curriculum Learning

ByteLoom: 通过渐进课程学习编织几何一致的人-物体交互

Bangya Liu, Xinyu Gong, Zelin Zhao, Ziyang Song, Yulei Lu, Suhui Wu, Jun Zhang, Suman Banerjee, Hao Zhang

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； ByteDance（字节跳动） ； Georgia Institute of Technology（佐治亚理工学院） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文提出ByteLoom框架，通过简化的人类条件和3D物体输入生成几何一致的人-物体交互视频，解决多视角信息注入和手部网格标注依赖的问题。

Imperative Interference: Social Register Shapes Instruction Topology in Large Language Models

命令干扰：社会语体影响大语言模型中的指令拓扑

Tony Mason

机构 * the University of British Columbia（不列颠哥伦比亚大学） ； the Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究探讨了社会语体如何影响大语言模型中指令拓扑，通过多语言实验发现指令拓扑反转由社会语体调解，改写指令可减少跨语言差异。

Improving Generative Model-based Unfolding with Schrödinger Bridges

通过施罗德inger桥改进生成模型展开

Sascha Diefenbacher, Guan-Horng Liu, Vinicius Mikuni, Benjamin Nachman, Weili Nie

机构 * Physics Division, Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室物理部） ； Autonomous Control and Decision Systems Laboratory, Georgia Institute of Technology（佐治亚理工学院自主控制与决策系统实验室） ； National Energy Research Scientific Computing Center, Berkeley Lab（伯克利实验室国家能源研究科学计算中心） ； Berkeley Institute for Data Science, University of California, Berkeley（伯克利数据科学研究所） ； Machine Learning Research Group, NVIDIA Research（NVIDIA研究机器学习研究组） 纠错

AI总结 本文提出SBUnfold方法，结合判别与生成模型优势，通过施罗德inger桥和扩散模型实现高维展开，验证其在合成数据集上的优越性能。

Comments 9 pages, 5 figures

Journal ref Phys.Rev.D 109 (2024) 7, 076011