Johns Hopkins University（约翰斯·霍普金斯大学）

Universality of first-order methods on random and deterministic matrices

一阶方法在随机和确定性矩阵上的普遍性

Nicola Gorini, Chris Jones, Dmitriy Kunisky, Lucas Pesenti

机构 * Bocconi University（博科尼大学） ； UC Davis（加州大学戴维斯分校） ； Johns Hopkins University（约翰霍普金斯大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 研究一阶方法在随机和确定性矩阵上的动态行为，通过分析输入矩阵的极限交通分布，推导出确定性矩阵的极限动态，并设计新的AMP迭代方法统一多种变体。

Unified Multimodal Uncertain Inference

多模态不确定推断的统一框架

Dengjia Zhang, Alexander Martin, William Jurayj, Kenton Murray, Benjamin Van Durme, Reno Kriz

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Human Language Technology Center of Excellence（人类语言技术卓越中心） 纠错

AI总结 本文提出UMUI框架，通过多模态数据生成校准的概率估计，引入CLUE模型实现跨模态细粒度概率推理，实验表明其在多种模态上表现优于基线模型。

Comments Update citations

Uncertainty-quantified Pulse Signal Recovery from Facial Video using Regularized Stochastic Interpolants

基于面部视频的脉冲信号恢复：带有正则化的随机插值方法

Vineet R. Shenoy, Cheng Peng, Rama Chellappa, Yu Sun

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文提出RIS-iPPG方法，通过正则化随机插值提升面部视频中脉冲信号的恢复质量与不确定性估计，实验表明其在三个数据集上表现优异。

Computational Lesions in Multilingual Language Models Separate Shared and Language-specific Brain Alignment

多语言语言模型中的计算病变分离共享和语言特定的脑对齐

Yang Cui, Jingyuan Sun, Yizheng Sun, Yifan Wang, Yunhao Zhang, Jixing Li, Shaonan Wang, Hongpeng Zhou, John Hale, Chengqing Zong, Goran Nenadic

机构 * The University of Manchester（曼彻斯特大学） ； City University of Hong Kong（香港城市大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Institute of Automation, CAS（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究通过多语言大语言模型创建计算病变，揭示语言处理的共享与特定机制，发现共享核心减少整体脑编码相关性，而语言特定病变保持跨语言分离但削弱匹配母语的脑预测性。

Comments 23 pages, 5 figures, Journal format

On Harnessing Idle Compute at the Edge for Foundation Model Training

在边缘计算中利用空闲计算资源进行基础模型训练

Leyang Xue, Meghana Madhyastha, Myungjin Lee, Amos Storkey, Randal Burns, Mahesh K. Marina

机构 * The University of Edinburgh（爱丁堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Cisco Research（思科研究院） 纠错

AI总结 本文提出Cleave框架，通过利用边缘设备的异构计算资源，实现与云训练相媲美的性能，并在设备异构性和故障恢复方面取得显著优势。

Comments Extended abstract version of this paper appeared in ACM MobiCom 2025. Workshop version of this paper appeared in EuroMLSys 2026

SatReg: Regression-based Neural Architecture Search for Lightweight Satellite Image Segmentation

SatReg：基于回归的神经架构搜索用于轻量级卫星图像分割

Edward Humes, Tinoosh Mohsenin

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 SatReg通过回归方法在边缘平台实现轻量级遥感分割，利用CM-UNet作为教师模型，减少搜索空间，通过知识蒸馏高效训练学生模型，提升部署效率。

On The Application of Linear Attention in Multimodal Transformers

多模态Transformer中线性注意力的应用

Armin Gerami, Seyedehanita Madani, Ramani Duraiswami

机构 * University of Maryland（马里兰大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文研究了线性注意力在多模态框架中的应用，通过减少计算开销并保持性能，证明了线性注意力在多模态Transformer中的有效性。

Comments Workshop on Any-to-Any Multimodal Learning (Any2Any), CVPR 2026

Weird Generalization is Weirdly Brittle

奇怪的泛化是异常脆弱的

Miriam Wanner, Hannah Collison, William Jurayj, Benjamin Van Durme, Mark Dredze, William Walden

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 研究通过扩展实验验证了模型在狭窄领域微调后出现意外特性的问题，发现此类现象异常脆弱，仅在特定模型和数据集上出现，且可通过简单提示干预消除。

Predicting Associations between Solar Flares and Coronal Mass Ejections Using SDO/HMI Magnetograms and a Hybrid Neural Network

利用SDO/HMI磁图和混合神经网络预测日冕物质抛射与日闪的关系

Jialiang Li, Vasyl Yurchyshyn, Jason T. L. Wang, Haimin Wang, Manolis K. Georgoulis, Wen He, Yasser Abduallah, Hameedullah A. Farooki, Yan Xu

机构 * Institute for Space Weather Sciences, New Jersey Institute of Technology（新泽西理工学院空间天气科学研究所） ； Department of Computer Science, New Jersey Institute of Technology（新泽西理工学院计算机科学系） ； Big Bear Solar Observatory, New Jersey Institute of Technology（新泽西理工学院大熊太阳天文台） ； Center for Solar-Terrestrial Research, New Jersey Institute of Technology（新泽西理工学院日地研究中心） ； Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室） ； Research Center for Astronomy and Applied Mathematics, Academy of Athens（雅典学院天文学与应用数学研究中心） ； Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系） 纠错

AI总结 本文提出一种混合神经网络方法，结合视觉Transformer和LSTM，利用SDO/HMI磁图时间序列预测日闪与日冕物质抛射关联性，验证了方法有效性并发现磁通量抵消可能触发相关日冕物质抛射。

Comments 14 pages, 8 figures

The Myth of Expert Specialization in MoEs: Why Routing Reflects Geometry, Not Necessarily Domain Expertise

专家专业化在MoEs中的神话：为什么路由反映几何，而非领域专业知识

Xi Wang, Soufiane Hayou, Eric Nalisnick

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文研究了MoEs中专家专业化的机制，指出路由依赖于隐藏状态相似性，而非领域专业知识，并揭示了专业化的几何属性及在不同数据下的表现。

DERM-3R: A Resource-Efficient Multimodal Agents Framework for Dermatologic Diagnosis and Treatment in Real-World Clinical Settings

DERM-3R：一种资源高效的多模态代理框架，用于皮肤病诊断和治疗的现实世界临床应用

Ziwen Chen, Zhendong Wang, Chongjing Wang, Yurui Dong, Luozhijie Jin, Jihao Gu, Kui Chen, Jiaxi Yang, Bingjie Lu, Zhou Zhang, Jirui Dai, Changyong Luo, Xiameng Gai, Haibing Lan, Zhi Liu

机构 * School of Pharmacy, Nanjing University of Chinese Medicine（南京中医药大学药学院） ； Department of Dermatology, the Gulou Hospital of Traditional Chinese Medicine of Beijing（北京鼓楼中医医院皮肤科） ； Infectious disease department, Dongfang Hospital, Beijing University of Chinese Medicine（北京中医药大学东方医院感染科） ； College of Art and Science, university of Washington（华盛顿大学文理学院） ； Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Fudan Unversity（复旦大学） ； Zhejiang Lab（之江实验室） ； University College London（伦敦大学学院） ； Department of Dermatology, Inner Mongolia Hospital of Traditional Chinese Medicine（内蒙古自治区中医医院皮肤科） ； International Campus of Zhejiang University（浙江大学国际校区） 纠错

AI总结 本文提出DERM-3R框架，通过三个协作代理解决皮肤病诊断中的细粒度病变识别、多视角病变表示和综合推理问题，展示了其在资源受限下的高效性能。