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

SGD Provably Prioritizes a Shortcut Spurious Feature in the XOR Model

SGD 在 XOR 模型中优先学习捷径虚假特征

Tyler LaBonte, Vidya Muthukumar

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（霍华德·米尔顿·斯图尔特工业与系统工程学院，佐治亚理工学院） ； School of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程学院，佐治亚理工学院） 纠错

AI总结 本文通过在线小批量 SGD 训练两层 ReLU 神经网络，首次端到端理论刻画了虚假特征学习，发现 SGD 优先且指数级快速地学习虚假特征，且优化动力学中虚假与信号特征耦合，强虚假成分抑制信号学习。

Comments v2: Fixed typos

Rectifying Mask via Entropy for Distractor-Free 3DGS in Ambiguous Scenarios

通过熵修正掩码实现模糊场景中无干扰的3D高斯泼溅

Wongi Park, Jiyeon Lim, Minjae Lee, Myeongseok Nam, Seongjun Choi, Jungwoo Kim, Soomok Lee, William J. Beksi, Sang-Hyun Lee

机构 * Samsung Electronics（三星电子） ； Georgia Institute of Technology（佐治亚理工学院） ； GenGenAI ； Yonsei University（延世大学） ； Seoul National University（首尔国立大学） ； Kennesaw State University（肯纳邦州立大学） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） 纠错

AI总结 提出RefineSplat框架，利用熵感知自适应掩码和密度控制方法，有效识别并移除模糊场景中的动态干扰物，实现无干扰的新视角合成。

Comments 28 pages, 30 figures, and 24 tables

Gavel: Agent Meets Checklist for Evaluating LLMs on Long-Context Legal Summarization

Gavel: 智能体结合检查表评估LLM长上下文法律摘要

Yao Dou, Benjamin Mamut, Wei Xu

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

AI总结 提出Gavel框架，通过参考评估和免参考智能体评估12个前沿LLM在多文档法律摘要中的表现，发现模型易遗漏关键信息而非幻觉，且性能随案件长度增加而下降。

Comments webpage at https://yao-dou.github.io/gavel/

BrainNormalizer: Anatomy-Informed Pseudo-Healthy Brain Reconstruction from Tumor MRI via Edge-Guided ControlNet

BrainNormalizer：通过边缘引导控制网络从肿瘤MRI进行解剖学信息伪健康脑重建

Min Gu Kwak, Yeonju Lee, Hairong Wang, Kristin R. Swanson, Jing Li

机构 * University of Pittsburgh（匹兹堡大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cedars-Sinai Medical Center（西德萨斯医疗中心） ； Mayo Clinic Arizona（梅奥诊所亚利桑那分部） 纠错

AI总结 针对脑肿瘤致结构变形难区分肿瘤与解剖变异问题，提出BrainNormalizer框架，用两阶段训练学习解剖先验等，通过特定策略实现伪健康脑重建，实验表明其有优势。

UNDREAM: Bridging Differentiable Rendering and Photorealistic Simulation for End-to-end Adversarial Attacks

UNDREAM：为端到端对抗攻击弥合可微渲染与逼真模拟的差距

Mansi Phute, Matthew Hull, Haoran Wang, Alec Helbling, ShengYun Peng, Willian Lunardi, Martin Andreoni, Wenke Lee, Duen Horng Chau

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Technology Innovation Institute（技术创新研究院） 纠错

AI总结 针对自动驾驶等安全关键应用中深度学习模型对抗攻击测试问题，介绍UNDREAM框架，通过弥合逼真模拟器与可微渲染器差距，实现对3D物体对抗扰动的端到端优化，开启物理对抗攻击研究新途径。

VISOR++: Universal Visual Inputs based Steering for Large Vision Language Models

VISOR++：基于通用视觉输入的大型视觉语言模型转向

Ravikumar Balakrishnan, Mansi Phute

机构 * HiddenLayer, USA（HiddenLayer美国分校） ； Georgia Institute of Technology, USA（佐治亚理工学院） 纠错

AI总结 研究视觉语言模型行为控制，针对现有方法局限，提出VISOR++，通过优化视觉输入实现行为控制，无需运行时访问模型内部，在多模型上验证有效性且能保持无关任务性能。

VISOR: Visual Input-based Steering for Output Redirection in Vision-Language Models

VISOR：视觉语言模型中用于输出重定向的基于视觉输入的转向

Mansi Phute, Ravikumar Balakrishnan

机构 * Georgia Institute of Technology（佐治亚理工学院） ； HiddenLayer, Inc（HiddenLayer公司） 纠错

AI总结 研究提出VISOR方法，通过优化视觉输入实现对视觉语言模型行为的精细控制，在关键对齐任务中验证其有效性，且具有低开销等优势，但也揭示了视觉通道安全漏洞。