Harvard University（哈佛大学）

Latent Generative Models with Tunable Complexity for Compressed Sensing and other Inverse Problems

具有可调复杂度的潜在生成模型用于压缩感知及其他反问题

Sean Gunn, Jorio Cocola, Oliver De Candido, Vaggos Chatziafratis, Paul Hand

机构 * Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Technical University of Munich（慕尼黑技术大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 本文提出可调复杂度生成模型，用于提升压缩感知等反问题的重建性能，并通过理论分析和实验验证其有效性。

Censored LLMs as a Natural Testbed for Secret Knowledge Elicitation

被屏蔽的LLM作为秘密知识提取的自然测试场

Helena Casademunt, Bartosz Cywiński, Khoi Tran, Arya Jakkli, Samuel Marks, Neel Nanda

机构 * Harvard University（哈佛大学） ； Warsaw University of Technology（华沙理工大学） ； IDEAS Research Institute（IDEAS研究所） ； CentraleSupélec（中央理工学院） ； Anthropic（Anthropic公司） 纠错

AI总结 研究利用被屏蔽的LLM测试秘密知识提取技术，发现开放式权重模型在诚实提取和谎言检测中存在局限性，且无法完全消除虚假回应。

Langevin Flows for Modeling Neural Latent Dynamics

兰格朗日流用于建模神经潜在动态

Yue Song, T. Anderson Keller, Yisong Yue, Pietro Perona, Max Welling

机构 * Caltech, Vision Lab（加州理工学院视觉实验室） ； The Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（自然与人工智能研究学院，哈佛大学） ； University of Amsterdam, Institute for Informatics（阿姆斯特丹大学信息学院） 纠错

AI总结 LangevinFlow通过引入物理先验和振荡器网络，有效建模神经群体的潜在动态及其未观测影响。

Comments Full version of the Cognitive Computational Neuroscience (CCN) 2025 poster

Unsupervised Representation Learning from Sparse Transformation Analysis

基于稀疏变换分析的无监督表示学习

Yue Song, Thomas Anderson Keller, Yisong Yue, Pietro Perona, Max Welling

机构 * Computing and Mathematical Sciences, Caltech, CA（计算与数学科学系，加州理工学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University, MA（自然与人工智能研究学院，哈佛大学） ； Amsterdam Machine Learning Lab, University of Amsterdam, the Netherlands（阿姆斯特丹机器学习实验室，阿姆斯特丹大学） 纠错

AI总结 本文提出通过稀疏变换分析学习序列数据的无监督表示，利用概率流模型分解为稀疏场，实现解耦的等变表示。

Comments T-PAMI journal paper

MAPLE: Elevating Medical Reasoning from Statistical Consensus to Process-Led Alignment

MAPLE：从统计共识到过程导向对齐的医学推理提升

Kailong Fan, Anqi Pu, Yichen Wu, Wanhua Li, Yicong Li, Hanspeter Pfister, Huafeng Liu, Xiang Li, Quanzheng Li, Ning Guo

机构 * Zhejiang University（浙江大学） ； Harvard University（哈佛大学） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 MAPLE通过整合医学过程奖励模型与TTRL，提升医学推理的准确性和可靠性，实现从统计共识到过程导向对齐的转变。

CTRL Your Shift: Clustered Transfer Residual Learning for Many Small Datasets

控制你的转移：用于许多小数据集的聚类转移残差学习

Gauri Jain, Dominik Rothenhäusler, Kirk Bansak, Elisabeth Paulson

机构 * Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 CTRL通过结合跨域残差学习和自适应聚类，提升多源小数据集的预测准确性和源异质性保持能力。