Posterior Augmented Flow Matching
后验增强流匹配
机构 * Georgia Tech（佐治亚理工学院） ； University of Washington（华盛顿大学） ； Hugging Face ； Ai2 ； UC Irvine（加州大学 Irvine 分校）
AI总结 本文提出后验增强流匹配（PAFM），通过引入对中间状态和条件的近似后验期望，解决高维图像中流匹配的稀疏性和高方差问题，提升模型泛化能力。
高校专区
Georgia Institute of Technology（佐治亚理工学院）
NRGPT: An Energy-based Alternative for GPT
NRGPT：一种基于能量的GPT替代方案
机构 * IBM Research（IBM研究院） ； Georgia Tech（佐治亚理工学院） ； Brown University（布朗大学） ； MIT（麻省理工学院）
AI总结 NRGPT通过最小化修改将GPT与能量基模型框架统一，其推理过程被视为在能量景观上探索，实验证明在特定条件下可转化为梯度下降，适用于简单语言、代数任务和更复杂的语言建模。
Comments Accepted to ICLR 2026 main conference
FedKPer: Tackling Generalization and Personalization in Medical Federated Learning via Knowledge Personalization
FedKPer: 通过知识个性化解决医疗联邦学习中的泛化与个性化问题
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 FedKPer通过选择性对齐全局模型和改进的聚合方案，缓解统计异质性影响，提升泛化与个性化平衡，无需牺牲保留性能。
Comments Accepted to IEEE International Conference on Image Processing (ICIP)
Variable Elimination in Hybrid Factor Graphs for Discrete-Continuous Inference & Estimation
混合因子图中变量消除用于离散-连续推断与估计
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出了一种新的混合因子图框架和变量消除算法，用于生成精确的混合贝叶斯网络，实现最大后验估计和变量边缘化。通过混合高斯因子和条件表示，结合树结构和剪枝方案，解决了大规模SLAM和姿态图优化中的模糊测量问题。
Laissez-Faire Harms: Algorithmic Biases in Generative Language Models
放任的伤害：生成语言模型中的算法偏见
机构 * Young Data Scientists League（年轻数据科学家联盟） ； Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Schar School of Policy and Government & Department of Computer Science（政策与政府学院及计算机科学系） ； George Mason University（乔治·马歇尔大学）
AI总结 研究通过开放性提示分析生成语言模型的偏见，发现五种主流模型对少数族裔、性别和性取向群体存在排除、从属和刻板印象的伤害，强调需保护消费者免受语言模型歧视性影响。
Comments 16 pages (43 if including supplementals), 8 figures (23 if including supplementals)
Journal ref Nat Commun 17, 1243 (2026)
