Harvard University（哈佛大学）

Domain Generalization through Spatial Relation Induction over Visual Primitives

通过视觉基本元素的空间关系诱导实现领域泛化

Dat Nguyen, Duc-Duy Nguyen

机构 * Harvard University（哈佛大学） ； Basis Research Institute（基础研究机构） ； Hanoi University of Science and Technology（河内科学技术大学） 纠错

AI总结 本文提出PARSE框架，通过视觉基本元素及其关系组成进行视觉识别，改进领域泛化中的表征学习，提升在CUB-DG和DomainBed基准上的准确率。

Quantizing With Randomized Hadamard Transforms: Efficient Heuristic Now Proven

使用随机哈达玛变换进行量化：一种高效的启发式方法已被证明

Ran Ben-Basat, William Kuszmaul, Michael Mitzenmacher, Amit Portnoy, Shay Vargaftik

机构 * UCL and Broadcom（UCL和Broadcom） ； Carnegie Mellon University（卡内基梅隆大学） ； Harvard University（哈佛大学） ； Microsoft（微软） ； VMware Research by Broadcom（Broadcom的VMware研究） 纠错

AI总结 本文研究了随机哈达玛变换在量化中的应用，证明了使用两个变换可近似均匀随机旋转的效果，并展示了三个变换在向量量化中的优势。

A Note on TurboQuant and the Earlier DRIVE/EDEN Line of Work

关于TurboQuant及其早期DRIVE/EDEN工作的注记

Ran Ben-Basat, Yaniv Ben-Itzhak, Gal Mendelson, Michael Mitzenmacher, Amit Portnoy, Shay Vargaftik

机构 * UCL and Broadcom（UCL和博通） ； VMware Research by Broadcom（博通VMware研究） ； North Carolina State University（北卡罗来纳州立大学） ； Harvard University（哈佛大学） ； Microsoft（微软） 纠错

AI总结 本文分析了TurboQuant与DRIVE/EDEN在量化方法上的关系，指出TurboQuant_mse是EDEN的特例，而TurboQuant_prod在多个方面表现欠佳，EDEN在精度上优于TurboQuant。

Chain of Risk: Safety Failures in Large Reasoning Models and Mitigation via Adaptive Multi-Principle Steering

风险链：大型推理模型中的安全故障及通过自适应多原则引导的缓解

Xiaomin Li, Jianheng Hou, Zheyuan Deng, Zhiwei Zhang, Taoran Li, Binghang Lu, Bing Hu, Yunhan Zhao, Yuexing Hao

机构 * Harvard University（哈佛大学） ； University of Southern California（南加州大学） ； Brown University（布朗大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Texas A&M University（德克萨斯阿姆大学） ； Purdue University（普渡大学） ； University of California, Irvine（加州大学 Irvine 分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究发现大型推理模型在推理轨迹中存在额外安全风险，提出自适应多原则引导方法降低不安全内容出现率，提升整体安全性。

Understanding Annotator Safety Policy with Interpretability

通过可解释性理解标注者安全政策

Alex Oesterling, Donghao Ren, Yannick Assogba, Dominik Moritz, Sunnie S. Y. Kim, Leon Gatys, Fred Hohman

机构 * Harvard University（哈佛大学） ； Apple（苹果公司） 纠错

AI总结 本文提出Annotator Policy Models，通过学习标注行为揭示安全政策差异，解决标注分歧根源问题，提升安全政策设计的透明性和包容性。

Comments 38 pages, 13 figures, ACM FAccT 2026

Dynamic Vine Copulas: Detecting and Quantifying Time-Varying Higher-Order Interactions

动态藤Copula：检测和量化时间变化的高阶相互作用

Houman Safaai, Alessandro Marin Vargas

机构 * Kempner Institute at Harvard University（哈佛大学凯普勒研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出动态藤Copula模型，用于估计和诊断序列中非高斯依赖关系，通过比较完整藤与1截断版本区分灵活的首树成对依赖与更高树条件项的证据。

H-Probes: Extracting Hierarchical Structures From Latent Representations of Language Models

H-Probes：从语言模型的潜在表示中提取层次结构

Cutter Dawes, Aryan Sharma, Angelos Ioannis Lagos, Shivam Raval

机构 * Supervised Program for Alignment Research（对齐研究监督计划） ； Yale University（耶鲁大学） ； Harvard University（哈佛大学） 纠错

AI总结 H-Probes通过线性探针从语言模型的潜在表示中提取层次结构，揭示模型在语法、概念及推理过程中的深层抽象能力。

Amortized Vine Copulas for High-Dimensional Density and Information Estimation

高维密度和信息估计的 amortized Vine copulas

Houman Safaai

机构 * Kempner Institute for the Study of Natural and Artificial Intelligence at Harvard University（哈佛大学自然与人工智能研究学院） 纠错

AI总结 本文提出VDC，一种用于连续数据的amortized vine-copula管道，通过单个双变量去噪模型简化vine依赖建模，提升高维vine拟合效率。

Two-Point Deterministic Equivalence for Stochastic Gradient Dynamics in Linear Models

随机梯度动力学在线性模型中的两点确定性等价性

Alexander Atanasov, Blake Bordelon, Jacob A. Zavatone-Veth, Courtney Paquette, Cengiz Pehlevan

机构 * John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学校） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； Society of Fellows, Harvard University（哈佛大学 fellows 会） ； Center for Brain Science, Harvard University（哈佛大学脑科学中心） ； Department of Mathematics and Statistics, McGill University（麦吉尔大学数学与统计学系） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究 institute） 纠错

AI总结 本文推导了随机矩阵残差的两点函数的新确定性等价性，统一了高维线性模型中随机梯度下降的性能分析，涵盖高维线性回归、核回归和线性随机特征模型。

Comments 22 pages, in press at Advances in Theoretical and Mathematical Physics

Journal ref Advances in Theoretical and Mathematical Physics (2026) 30, 1

Scaling and renormalization in high-dimensional regression

高维回归中的尺度与重整化

Alexander Atanasov, Jacob A. Zavatone-Veth, Cengiz Pehlevan

机构 * Harvard University（哈佛大学） ； Center for Brain Science（脑科学中心） ； John A. Paulson School of Engineering and Applied Sciences（约翰·A·保罗森工程与应用科学学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence（自然与人工智能研究学院） 纠错

AI总结 本文通过随机矩阵理论和自由概率工具，统一分析了岭回归的高维回归行为，揭示了经验协方差矩阵的统计波动可通过重整化参数吸收，从而推导出训练和泛化误差的解析公式，并发现随机特征模型中的幂律缩放机制。

Comments 74 pages, 17 figures

Journal ref Journal of Statistical Mechanics: Theory and Experiment (2026) 043404