Korea Advanced Institute of Science and Technology（韩国科学技术院）

Multimodal Deep Generative Model for Semi-Supervised Learning under Class Imbalance

多模态深度生成模型用于类别不平衡下的半监督学习

Heegeon Yoon, Heeyoung Kim

机构 * Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology (KAIST), Daejeon, Republic of Korea（工业与系统工程系，韩国科学技术院（KAIST），大田，大韩民国） 纠错

AI总结 本文提出一种多模态深度生成模型，通过共享潜在变量和t分布改进类别不平衡问题，提升半监督学习性能。

Soft Deterministic Policy Gradient with Gaussian Smoothing

带有高斯平滑的软确定性策略梯度

Hyunjun Na, Donghwan Lee

机构 * School of Electrical Engineering, KAIST（韩国延世大学电气工程学院） 纠错

AI总结 本文提出基于高斯平滑的贝尔曼方程的软确定性策略梯度方法，解决传统DPG在稀疏或离散奖励下的梯度不明确问题，通过新定义的动作价值函数提升算法稳定性与性能。

Comments 25 pages, 4 figures

Suspicious Alignment of SGD: A Fine-Grained Step Size Condition Analysis

SGD步长条件的细粒度分析：可疑对齐现象

Shenyang Deng, Boyao Liao, Zhuoli Ouyang, Tianyu Pang, Minhak Song, Yaoqing Yang

机构 * Dartmouth College（达特茅斯学院） ； University of Birmingham（伯明翰大学） ； KAIST（韩国科学技术院） 纠错

AI总结 本文研究了在退化优化中SGD的可疑对齐现象，探讨了步长选择如何导致对齐阶段的变化，揭示了在低对齐阶段适应性步长与对齐变化的关系，以及在高对齐阶段自修正特性。

Comments The 37th International Conference on Algorithmic Learning Theory

DeTrigger: A Gradient-Centric Approach to Backdoor Attack Mitigation in Federated Learning

DeTrigger：一种以梯度为中心的联邦学习中后门攻击缓解方法

Kichang Lee, Yujin Shin, Jonghyuk Yun, Songkuk Kim, Jun Han, JeongGil Ko

机构 * School of Integrated Technology, College of Computing, Yonsei University（延世大学整合技术学院，计算学院） ； School of Electrical Engineering, KAIST（韩国科学技术院电子工程学院） 纠错

AI总结 本文提出DeTrigger，一种高效的联邦学习框架，通过梯度分析和温度缩放检测并隔离后门触发器，实现快速检测和高抑制率的后门攻击防御。

Comments 21 pages

Accelerating LMO-Based Optimization via Implicit Gradient Transport

通过隐式梯度传输加速基于LMO的优化

Won-Jun Jang, Si-Hyeon Lee

机构 * School of Electrical Engineering（电气工程学院） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 本文提出LMO-IGT方法，利用隐式梯度传输提升基于LMO的优化效率，引入统一框架和新的站定性度量RSF，证明其在迭代复杂度和计算效率上的优势。

On the Nature of Attention Sink that Shapes Decoding Strategy in Omni-LLMs

关于塑造 Omni-LLMs 解码策略的注意力 sink 性质

Suho Yoo, Youngjoon Jang, Joon Son Chung

机构 * KAIST（韩国科学技术院） ； VGG, University of Oxford（牛津大学视觉感知实验室） 纠错

AI总结 本文研究 Omni-LLMs 中注意力 sink 的行为，发现其不仅反映头部冗余，还承担额外功能，提出 OutRo 方法通过特征空间对齐和放松因果掩码提升解码性能。

Comments Preprint

Posterior Inference in Latent Space for Scalable Constrained Black-box Optimization

潜在空间中的后验推断用于可扩展的约束黑盒优化

Kiyoung Om, Kyuil Sim, Taeyoung Yun, Hyeongyu Kang, Jinkyoo Park

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 本文将约束黑盒优化转化为后验推断问题，在生成模型的潜在空间中进行推断，通过训练流模型和扩散模型提升候选点搜索效率，实验证明在合成和现实任务中性能优越。

Comments 25 pages, 14 figures, 6 tables. Equal contribution by Kiyoung Om, Kyuil Sim, and Taeyoung Yun