University of Maryland, College Park（马里兰大学帕克分校）

Small RL Controller, Large Language Model: RL-Guided Adaptive Sampling for Test-Time Scaling

小规模RL控制器，大语言模型：基于RL引导的自适应采样用于测试时扩展

Runpeng Dai, Tong Zheng, Rui Liu, Chengsong Huang, Hongtu Zhu

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Maryland College Park（马里兰大学学院市分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

AI总结 提出将自适应采样建模为马尔可夫决策过程，使用强化学习训练轻量级控制器，在答案正确性、延迟和计算成本之间取得平衡。

Conditional Hypothesis Generation for LLM-Based Text Analysis with Researcher-Specified Covariates

基于研究者指定协变量的条件假设生成用于LLM文本分析

Paiheng Xu, Jing Liu, Wei Ai

机构 * University of Maryland, College Park（马里兰大学 College Park 分校） 纠错

AI总结 提出条件假设生成框架，通过纳入研究者指定的协变量来引导LLM发现相关子组内而非全局的差异模式，并采用特征-协变量交互和分层内去均值与逆频率重加权两种方法解决子组不平衡和符号反转问题。

UniVerse: A Unified Modulation Framework for Segmentation-Free,Disentangled Multi-Concept Personalization

UniVerse：一种用于无分割、解耦多概念个性化的统一调制框架

Quynh Phung, Sandesh Ghimire, Minsi Hu, Chung-Chi Tsai, Jia-Bin Huang

机构 * University of Maryland, College Park（马里兰大学College Park分校） ； Qualcomm Technologies, Inc.（高通技术公司） 纠错

AI总结 提出UniVerse框架，通过扩散变换器中的统一调制实现无分割的多概念解耦与个性化，显著提升定位精度和视觉保真度。

Comments https://universe-personalization.github.io/

Differentiable Optimization of Linear Differential Microphone Arrays: A Joint Geometry and Filter Design Framework

线性差分麦克风阵列的可微优化：联合几何与滤波器设计框架

Siminfar Samakoush Galougah, Ramani Duraiswami

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 提出一种可微优化框架，通过联合优化麦克风位置和滤波器权重，实现线性差分麦克风阵列的最优波束模式，在保证无失真约束的同时兼顾指向性、鲁棒性和硬件效率。

Comments 5 pages, 4 figures, 2 tables

Weighted Risk Invariance: Domain Generalization under Invariant Feature Shift

加权风险不变性：不变特征偏移下的领域泛化

Gina Wong, Joshua Gleason, Rama Chellappa, Yoav Wald, Anqi Liu

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； New York University（纽约大学） ； Center for Data Science（数据科学中心） 纠错

AI总结 针对不变协变量偏移下现有不变学习方法性能不佳的问题，提出加权风险不变性（WRI）框架，通过环境间损失的不变性并加权训练样本，在理论上保证学习到不变模型，并在实验中优于先前方法。

Journal ref TMLR 2024