Johns Hopkins University（约翰斯·霍普金斯大学）

Introducing M: A Modular, Modifiable Social Robot

引入M：一个模块化、可修改的社会机器人

Victor Nikhil Antony, Zhili Gong, Yoonjae Kim, Chien-Ming Huang

机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Department of Mechanical Engineering, Rice University（里士满大学机械工程系） 纠错

AI总结 M平台通过模块化设计和开源特性，降低社会机器人研究的摩擦，提供可重复、可修改的机器人解决方案，支持快速仿真到现实的迁移。

Modeling Overlapped Speech with Shuffles

用洗牌操作建模重叠语音

Matthew Wiesner, Samuele Cornell, Alexander Polok, Lucas Ondel Yang, Lukáš Burget, Sanjeev Khudanpur

机构 * Johns Hopkins University（约翰霍普金斯大学） ； LISN, CNRS（LISN-CNRS） ； Carnegie Mellon University（卡内基梅隆大学） ； Brno University of Technology（布拉格技术大学） 纠错

AI总结 本文提出用洗牌操作建模重叠语音，通过洗牌积和偏序有限状态自动机实现对重叠语音的对齐和说话人标注。采用总分值作为损失函数进行训练，并通过偏序FSAs减少图规模。通过直接建模（token, speaker）元组实现说话人标注，Viterbi对齐通过洗牌积FSA实现单次对齐。

What You Read is What You Classify: Highlighting Attributions to Text and Text-Like Inputs

你读的是你分类的：突出对文本和文本样输入的归因

Daniel S. Berman, Brian Merritt, Stanley Ta, Dana Udwin, Amanda Ernlund, Jeremy Ratcliff, Vijay Narayan

机构 * Johns Hopkins Applied Physics Laboratory（约翰霍普金斯应用物理实验室） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出一种针对基于token分类器的可解释AI方法，通过mask机制生成可读解释，适用于文本等离散输入。

Comments 15 pages, 8 figures

Milco: Learned Sparse Retrieval Across Languages via a Multilingual Connector

Milco：通过多语言连接器实现跨语言学习稀疏检索

Thong Nguyen, Yibin Lei, Jia-Huei Ju, Eugene Yang, Andrew Yates

机构 * University of Amsterdam（阿姆斯特丹大学） ； Johns Hopkins University, HLTCOE（约翰霍普金斯大学，语言学与认知科学系） 纠错

AI总结 Milco通过多语言连接器将不同语言的查询和文档映射到共享的英语词汇空间，采用两阶段训练策略提升表示透明性和有效性，实现跨语言稀疏检索的最优性能。

Comments ICLR 2026

Enhancing Lexicon-Based Text Embeddings with Large Language Models

通过大语言模型增强基于词典的文本嵌入

Yibin Lei, Tao Shen, Yu Cao, Andrew Yates

机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Technology Sydney（技术悉尼大学） ； Tencent IEG（腾讯IEG） ； Johns Hopkins University, HLTCOE（约翰霍普金斯大学，HLTCOE） 纠错

AI总结 本文提出基于词典的嵌入方法LENS，利用大语言模型处理词冗余问题，通过词嵌入聚类和双向注意力机制，在MTEB基准测试中优于密集嵌入，且支持高效维度剪枝。

Comments ACL 2025

A Hybrid Conditional Diffusion-DeepONet Framework for High-Fidelity Stress Prediction in Hyperelastic Materials

一种混合的条件扩散-DeepONet框架用于超弹性材料高保真应力预测

Purna Vindhya Kota, Meer Mehran Rashid, Somdatta Goswami, Lori Graham-Brady

机构 * Department of Civil and Systems Engineering, Johns Hopkins University（土木与系统工程系，约翰霍普金斯大学） 纠错

AI总结 本文提出混合框架cDDPM-DeepONet，通过分离应力形态与幅度，结合条件扩散模型生成应力场和DeepONet预测全局参数，提升超弹性材料应力预测精度。

Embodied Foundation Models at the Edge: A Survey of Deployment Constraints and Mitigation Strategies

边缘端具身基础模型：部署约束及缓解策略综述

Utkarsh Grover, Ravi Ranjan, Mingyang Mao, Trung Tien Dong, Satvik Praveen, Zhenqi Wu, J. Morris Chang, Tinoosh Mohsenin, Yi Sheng, Agoritsa Polyzou, Eiman Kanjo, Xiaomin Lin

机构 * University of South Florida（佛罗里达州立大学） ； Florida International University（佛罗里达国际大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Nottingham Trent University（诺丁汉特伦特大学） ； Imperial College London（伦敦帝国理工学院） 纠错

AI总结 本文综述了在边缘端部署具身基础模型时面临的系统性约束及缓解策略，重点探讨了内存带宽、计算延迟和执行成本等关键因素对自动回归视觉-语言-动作策略和扩散控制器的影响，强调了内存、调度、通信和模型架构的协同设计的重要性。

Support Basis: Fast Attention Beyond Bounded Entries

支持基：超越有限条目的快速注意力

Maryam Aliakbarpour, Vladimir Braverman, Junze Yin, Haochen Zhang

机构 * Rice University（里士满大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出支持基分解技术，无需有限条目假设实现高效注意力推理与训练，理论证明其亚二次运行时间并验证其计算效率与任务性能。

Comments AISTATS 2026 (Spotlight). Our code can be found at: https://github.com/yinj66/support_basis

Improved Convex Decomposition with Ensembling and Negative Primitives

改进的凸分解与集成及负原语

Vaibhav Vavilala, Florian Kluger, Seemandhar Jain, Bodo Rosenhahn, Anand Bhattad, David Forsyth

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Leibniz Universität Hannover（汉诺威莱本大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出一种结合负原语和集成的方法，提升凸分解的精度与鲁棒性，在NYUv2数据集上验证了其在深度表示和分割上的显著改进。

Comments 3DV 2026 25 pages, 15 figures, 9 tables