Johns Hopkins University（约翰斯·霍普金斯大学）

On the Limits of Sampling-Based Reachability: Geometry, Dynamics, and Sample Complexity

论基于采样的可达性极限：几何、动力学与样本复杂度

Jixian Liu, Ihab Tabbara, Hussein Sibai, Enrique Mallada

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

AI总结 研究基于采样的可达性极限，通过将其视为几何支持估计，确定正则属性使恢复适定，界定样本复杂度，证明相关属性不可去除，实验表明对抗采样不改变缩放比例，揭示了初始集几何、动力学和采样定律对可达性估计的影响。

Estimating Rare Events in Language Models with Proper Evaluation

用适当评估估计语言模型中的罕见事件

Nikita Y. Parulekar, Anqi Liu

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

AI总结 研究语言模型中罕见事件概率估计难题，提出梯度激活自适应多级分裂方法及移位幂布雷格曼损失，通过实验揭示偏差 - 方差权衡，强调估计器与部署上下文匹配，确立激活空间为易处理域。

Comments 37 pages, 24 figures

One Student, Many Teachers: Multi-Task On-Policy Distillation via Soft-Prompt Privileged Context

一个学生，多个教师：通过软提示特权上下文进行多任务在线策略蒸馏

Yingzi Ma, Zichen Zhu, Ming Jiang, Chaowei Xiao

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 研究提出一种多任务在线策略蒸馏方法，教师与学生仅通过可学习软提示区分，在骨干冻结时训练特定任务教师。单任务变体训练参数少且效果好，多任务变体保持通用能力基准同时实现最佳总体平均水平。

Comments 10 pages, 5 figures

Beyond Post-Quantization: Native Hash Learning with a Dedicated HASH Token

超越后量化：使用专用哈希令牌的原生哈希学习

Xinze Liu, Ding Wang, Dayan Wu, Hengjie Zhu, Peng Fu, Zheng Lin, Weiping Wang

机构 * Institute of Information Engineering, CAS（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计系） 纠错

AI总结 研究高效图像检索的紧凑表示问题，提出HashViT框架，通过专用哈希令牌及相关设计在Transformer内生成二进制表示，经统一目标优化，实验表明其性能优且保留汉明码效率。