Johns Hopkins University（约翰斯·霍普金斯大学）

GPU Forecasters: Language Models as Selective Surrogates for Kernel Runtime Optimization

GPU预测器：语言模型作为内核运行时优化的选择性替代

Zaid Khan, Justin Chih-Yao Chen, Jaemin Cho, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； AI2 ； Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究利用语言模型作为GPU内核性能的选择性替代，通过强化学习提高预测准确性和校准度，在有限GPU评估预算下加速内核搜索。

Comments Code: https://github.com/codezakh/gpu-forecasters

Foundation VAEs for 3D CT Reconstruction, Augmentation, and Generation

用于3D CT重建、增强和生成的基础VAE

Qi Chen, Shuhan Ding, Yu Gu, Nan Liu, Jiang Bian, Alan Yuille, Zongwei Zhou, Jingjing Fu

机构 * Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系） ； Duke-NUS Medical School（duke-nus 医学院） ； Microsoft Research（微软研究院） 纠错

AI总结 本文发现，在自然图像上预训练的基础VAE可直接用于CT重建、增强和生成，无需训练或微调，通过冻结编解码器实现解剖结构保留和噪声抑制，并在分割和生成任务上取得显著提升。

Comments ICML 2026 Accepted

Efficient and Uncertainty-Aware Diffusion Framework for Offline-to-Online Reinforcement Learning

高效且不确定性感知的离线到在线强化学习扩散框架

Ha Manh Bui, Metod Jazbec, Eric Nalisnick, Anqi Liu

机构 * Department of Computer Science, Johns Hopkins University, Baltimore, MD, U.S.A.（约翰霍普金斯大学计算机科学系） ； AMLab, University of Amsterdam, Amsterdam, Netherlands（阿姆斯特丹大学AM实验室） 纠错

AI总结 提出DUAL框架，利用扩散模型先验知识蒸馏快速采样扩散策略和转移模型，并通过拉普拉斯近似和距离转移状态偏移检测进行不确定性量化，以改进在线阶段的探索与利用平衡。

Comments International Conference on Machine Learning, 2026

Controllable Lung Nodule Synthesis via Histogram-Regularized Latent Diffusion Models

基于直方图正则化潜扩散模型的可控肺结节合成

Arunkumar Kannan, Yanbo Zhang, Han Liu, Michael Baumgartner, Jianing Wang, Alexander Hertel, Bogdan Georgescu, Sasa Grbic

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Department of Radiology and Nuclear Medicine, University Medical Center Mannheim, Heidelberg University（放射学与核医学科，曼海姆大学医学中心，海德堡大学） 纠错

AI总结 提出一种直方图正则化潜扩散模型，通过结合亚型、空间掩码和HU直方图条件以及可微特征空间直方图正则化项，在3D CT体积中合成肺结节，以准确建模结节特异性强度分布，提高视觉真实感和亚型一致性。

Configurable Reward Model for Balanced Safety Alignment

可配置奖励模型用于平衡安全对齐

Zhengping Jiang, Mehran Khodabandeh, Akash Bharadwaj, Manik Bhandari, Mayur Srungarapu, Anqi Liu, Benjamin Van Durme, Li Chen

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Meta Superintelligence Labs（Meta超智能实验室） 纠错

AI总结 提出可配置安全奖励模型（CSRM），通过配置目标数据增强和联合优化，实现对细粒度安全配置和对话细微差别的敏感性，在可配置安全基准上达到最优性能，并改善有用性与安全性的权衡。

3D-Belief: Embodied Belief Inference via Generative 3D World Modeling

3D-Belief：通过生成式3D世界建模实现具身信念推断

Yifan Yin, Zehao Wen, Suyu Ye, Jieneng Chen, Zehan Zheng, Nanru Dai, Haojun Shi, Aydan Huang, Zheyuan Zhang, Alan Yuille, Jianwen Xie, Ayush Tewari, Tianmin Shu

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Lambda ； University of Cambridge（剑桥大学） 纠错

AI总结 提出3D-Belief，一种生成式3D世界模型，通过在线更新显式3D信念，使具身智能体能够在部分可观测环境中想象场景补全并推理，在2D/3D想象质量和下游物体导航任务上优于现有方法。

Learning General Causal Structures with Hidden Dynamic Process for Climate Analysis

学习具有隐藏动态过程的通用因果结构用于气候分析

Minghao Fu, Biwei Huang, Zijian Li, Yujia Zheng, Ignavier Ng, Guangyi Chen, Yingyao Hu, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校） ； Johns Hopkins University, Baltimore, MD, USA（约翰·霍普金斯大学） 纠错

AI总结 提出统一框架CaDRe，联合发现观测变量间的因果关系和隐藏动态过程，在非参数设置下可识别，并在气候数据上验证了有效性和可解释性。

Comments Accepted by ICML 2026