Johns Hopkins University（约翰斯·霍普金斯大学）

Class Unlearning via Depth-Aware Removal of Forget-Specific Directions

通过深度感知移除遗忘特定方向实现类别反学习

Arman Hatami, Romina Aalishah, Ilya E. Monosov

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

AI总结 本文提出DAMP方法，通过深度感知移除遗忘特定方向，改进类别反学习的选性遗忘，同时更好地保留保留类性能并减少深层残留遗忘结构。

Comments Accepted for oral presentation at the CVPR 2026 Workshop on Machine Unlearning for Vision (MUV). Code: https://github.com/armanhtm/DAMP

Efficient coding along the visual hierarchy

视觉层次中的高效编码

Ananya Passi, Brian S. Robinson, Michael F. Bonner

机构 * Department of Cognitive Science, Johns Hopkins University（约翰霍普金斯大学认知科学系） ； Applied Physics Laboratory, Johns Hopkins University（约翰霍普金斯大学应用物理实验室） 纠错

AI总结 本文研究了在有限数据下如何通过高效编码原理构建与人类对齐的视觉特征层次，提出了一种无监督学习方法，该方法通过压缩输入到自然图像的主要变化模式来生成从边缘和颜色到纹理和形状的特征，且结合监督微调可提高脑区对齐性和类别学习速度。

Comments 34 pages, 6 figures

Open-Set Domain Adaptation Under Background Distribution Shift: Challenges and A Provably Efficient Solution

开放集域适应在背景分布偏移下的挑战：挑战与一种可证明高效的解决方案

Shravan Chaudhari, Yoav Wald, Suchi Saria

机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Faculty of Data and Decision Sciences, Technion（技术学院数据与决策科学学院） ； Center for Data Science, New York University（纽约大学数据科学中心） ； Bayesian Health（贝叶斯健康） 纠错

AI总结 本文研究了在背景分布偏移情况下开放集域适应的挑战，并提出了一种可证明高效的解决方案CoLOR，通过理论分析和实验证明其在简化过参数化设置中优于基线方法，同时展示了其在图像和文本数据上的广泛适用性。

Comments Project page at https://github.com/Shra1-25/CoLOR

Journal ref Transactions on Machine Learning Research (TMLR) 2026/May ISSN: 2835-8856

CAPC-CG: A Large-Scale, Expert-Directed LLM-Annotated Corpus of Adaptive Policy Communication in China

CAPC-CG：一个大规模、专家指导的中国适应性政策沟通LLM注释语料库

Bolun Sun, Charles Chang, Yuen Yuen Ang, Ruotong Mu, Yuchen Xu, Zhengxin Zhang, Pingxu Hao

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Northwestern University（西北大学） ； Duke Kunshan University（杜克-昆山大学） 纠错

AI总结 本文介绍了CAPC-CG语料库，该语料库是首个开放的中国政策指令注释语料库，基于Ang的适应性政策沟通理论，采用五色分类法对清晰和模糊语言类别进行标注，旨在支持下游任务和多语言NLP研究。

Comments Accepted for publication in the Proceedings of ACL Main 2026

Graph-Driven Cross-Industry Real-Time Monitoring Framework for Anti-Money Laundering Detection in Converged Mobility-Energy Supply Chain Networks

基于图的跨行业实时监控框架用于反洗钱检测在融合的移动-能源供应链网络

Rong Liu, Xiaojun Xiao, Zhanqing Su

机构 * School of Public Policy, University of Southern California（南加州大学公共政策学院） ； Boston University（波士顿大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出了一种基于图的跨行业实时反洗钱监控框架（GCRMF），用于整合的旅行-能源供应链网络，通过构建跨行业异构图并结合双图注意力网络，动态编码资本流动路径和时间演变特征，以提高跨行业洗钱行为的识别能力，并通过自监督在线学习机制实现实时适应和持续优化。