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

Flow-Map GRPO: Reinforcement Learning for Few-Step Flow-Map Generators via Anchored Stochastic Composition

Flow-Map GRPO：基于锚定随机组合的少步流映射生成器的强化学习

Zhiqi Li, Wen Zhang, Bo Zhu

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

AI总结 提出Flow-Map GRPO框架，通过锚定随机流映射组合（ASFMC）对确定性少步流映射生成器进行随机化，使其适用于强化学习后训练，并在FLUX文本到图像生成器上提升奖励和感知指标。

Comments 31 pages, 29 figures

How Early Is Early Enough? Design-Dependent Observation-Window Sufficiency in Subscription Churn Prediction

多早才算足够早？订阅流失预测中依赖于设计的观察窗口充分性

Xiao Han, Yao Xiao, Chenyu Wu, Tongchen Zhang

机构 * Goizueta Business School（戈伊苏埃塔商学院） ； College of Computing（计算机学院） ； Pratt School of Engineering（普拉特工程学院） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） 纠错

AI总结 本研究基于KKBox数据集，通过九窗口充分性曲线发现手动续费用户早期行为在45-90天窗口内对流失预测提升显著，但曲线随实验设计（如移动目标、特征集）变化，强调窗口充分性声明需明确队列构建、目标定义和特征族。

OnPoint: Offline-to-Online Multi-Level Distillation for Point-Supervised Online Temporal Action Localization

OnPoint: 点监督在线时序动作定位的离线到在线多级蒸馏

Sakib Reza, Gauri Jagatap, Mohsen Moghaddam, Octavia Camps, Andrea Fanelli

机构 * Northeastern University（东北大学） ； Dolby Laboratories, Inc.（杜比实验室公司） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出点监督在线时序动作定位任务，并设计离线到在线多级蒸馏框架，通过伪段实例、类激活序列和窗口级蒸馏转移知识，结合点标签和注意力校准，在五个数据集上优于基线。

Comments Accepted at ECCV 2026