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

Flow-based Generative Modeling of Potential Outcomes and Counterfactuals

基于流的潜在结果和反事实建模

Dongze Wu, David I. Inouye, Yao Xie

机构 * School of Industrial and Systems Engineering（工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Elmore Family School of Electrical and Computer Engineering（埃洛姆家族电气与计算机工程学院） ； Purdue University（普渡大学） 纠错

AI总结 本文提出PO-Flow框架，通过连续归一化流模型联合建模潜在结果分布和事实条件下的反事实结果，实现个性化预测和因果推断。

Comments Accepted at 2026 IEEE International Symposium on Information Theory (ISIT 2026)

Linear Probe Accuracy Scales with Model Size and Benefits from Multi-Layer Ensembling

线性探针的准确性与模型规模成正比，并受益于多层集成

Erik Nordby, Tasha Pais, Aviel Parrack

机构 * Georgia Institute of Technology, Atlanta, Georgia, USA（佐治亚理工学院） ； Independent Researcher（独立研究者） ； Stanford University, Stanford, California, USA（斯坦福大学） 纠错

AI总结 研究显示，多层集成的线性探针在多个任务中优于单层探针，提升AUROC性能，并发现模型规模与探针准确性呈正相关。

Towards Successful Implementation of Automated Raveling Detection: Effects of Training Data Size, Illumination Difference, and Spatial Shift

迈向自动剥落检测的成功实施：训练数据量、光照差异和空间位移的影响

Xinan Zhang, Haolin Wang, Zhongyu Yang, Yi-Chang, Tsai

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（电子与计算机工程学院，佐治亚理工学院） ； School of Civil and Environmental Engineering, Georgia Institute of Technology（土木与环境工程学院，佐治亚理工学院） 纠错

AI总结 本文研究了训练数据量、光照差异和空间位移对模型鲁棒性的影响，提出RavelingArena基准测试平台，通过数据增强提升模型在真实场景中的准确性与一致性。

Comments Accepted and presented in TRBAM 2026

Inclusive Kitchen Design for Older Adults: Generative AI Visualizations to Support Mild Cognitive Impairment

包容性厨房设计用于老年人：生成式AI可视化以支持轻度认知障碍

Ibrahim Bilau, Nicole Li, Terrence Malayvong, Eunhwa Yang

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

AI总结 本研究利用生成式AI创建MCI友好的厨房设计，通过训练Stable Diffusion模型提升可视化效果，帮助老年人更易独立生活。

Comments 19 pages, 7 figures, 5 tables, IAFOR Agen2026 Conference Proceedings

fMRI-LM: Towards a Universal Foundation Model for Language-Aligned fMRI Understanding

fMRI-LM：迈向语言对齐的fMRI理解的通用基础模型

Yuxiang Wei, Yanteng Zhang, Xi Xiao, Chengxuan Qian, Tianyang Wang, Vince D. Calhoun

机构 * TReNDS Center (Georgia Institute of Technology, Georgia State University, Emory)（TReNDS中心（佐治亚理工学院、佐治亚州立大学、埃默里大学）） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Jiangsu University（江苏大学） 纠错

AI总结 本文提出fMRI-LM，通过三阶段框架将fMRI与语言结合，实现跨模态脑表示，通过神经分词、预训练LLM适应及多任务微调，提升fMRI的语义理解能力。

Comments Code are available: https://github.com/yuxiangwei0808/fMRI-LM

FiLM-Nav: Efficient and Generalizable Navigation via VLM Fine-tuning

FiLM-Nav：通过VLM微调实现高效且通用的导航

Naoki Yokoyama, Sehoon Ha

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

AI总结 本文提出FiLM-Nav，通过微调预训练VLM作为导航策略，直接利用视觉轨迹历史和导航目标进行探索决策，实现复杂环境中的高效导航与物体定位。

New Equivalences Between Interpolation and SVMs: Kernels and Structured Features

插值与支持向量机之间的新等价关系：核与结构化特征

Chiraag Kaushik, Andrew D. McRae, Mark A. Davenport, Vidya Muthukumar

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电子与计算机工程系） ； Institute of Mathematics, EPFL（瑞士联邦理工学院数学学院） ； School of Industrial & Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程系） 纠错

AI总结 本文探讨了插值与支持向量机之间的等价关系，通过灵活的分析框架证明了在任意再生核希尔伯特空间中，SVP现象在多种生成模型下成立，并推导了核SVM分类的新型泛化结果。

Comments 23 pages, 2 figures