ChannelTok: Efficient Flexible-Length Vision Tokenization
ChannelTok: 高效灵活长度视觉分词
机构 * University of Maryland, College Park（马里兰大学College Park分校）
AI总结 提出一种基于通道的轻量级灵活长度分词器，通过随机尾部丢弃训练实现语义重要性排序，在保持高质量的同时大幅提升解码速度和模型效率。
高校专区
University of Maryland, College Park（马里兰大学帕克分校）
A Cookbook of 3D Vision: Data, Learning Paradigms, and Application
3D视觉食谱：数据、学习范式与应用
机构 * Brown University（布朗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； The University of Sydney（悉尼大学） ； Stability AI
AI总结 本文提出一种以数据为中心的3D视觉分类法，通过分析点云、网格、体素和3D高斯等几何表示及其获取流程，以及数据集设计、基准构建和监督机制，统一了表示、学习范式与下游任务（重建、生成、视频建模）之间的关系。
Comments Accepted to the CVPR 2026 OpenSUN3D Workshop. Official version available at CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026W/OpenSUN3D/html/Du_A_Cookbook_of_3D_Vision_Data_Learning_Paradigms_and_Application_CVPRW_2026_paper.html
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026
Recovering Diversity Without Losing Alignment: A DPO Recipe for Post-Trained LLMs
在不损失对齐的情况下恢复多样性：面向后训练大语言模型的DPO配方
机构 * University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 提出REDIPO数据构建流程，通过离线DPO从基础模型生成中恢复多样性答案，同时保持指令模型的对齐性能。
Comments Under Review. 26 pages, 3 figures, 16 tables
Geometry-Aware Hallucination Detection in Large Language Models
大语言模型中的几何感知幻觉检测
机构 * University of Maryland, College Park（马里兰大学学院公园分校）
AI总结 提出GA-ICL框架，利用冻结LLM的潜在表示建模局部流形和类别原型几何，选择上下文示例以检测幻觉，在FEVER和HaluEval基准上优于基线方法。
KITE: Kernelized and Information Theoretic Exemplars for In-Context Learning
KITE: 基于核方法和信息论的上下文学习示例选择
机构 * IIT Bombay（印度比哈尔理工学院） ； UMD College Park（马里兰大学 College Park 分校） ； IIT Kanpur（印度坎普尔理工学院） ； Adobe Research（Adobe 研究）
AI总结 针对上下文学习中的示例选择问题，提出一种基于信息论和核方法的贪心算法，通过最小化查询特定预测误差并引入多样性正则化，显著提升分类性能。
Stabilizing Adversarial Nets With Prediction Methods
用预测方法稳定对抗网络
机构 * University of Maryland, College Park（马里兰大学 College Park 分校）
AI总结 本文提出一种改进的随机梯度下降方法，通过稳定对抗网络的训练过程，使其更可靠地收敛到鞍点，提高训练稳定性与效率。
Comments Accepted at ICLR 2018
Adaptive Consensus ADMM for Distributed Optimization
自适应共识ADMM用于分布式优化
机构 * University of Maryland, College Park（马里兰大学 College Park分校） ； United States Naval Academy, Annapolis（美国海军学院 安纳波利斯分校） ； Hong Kong Baptist University, Hong Kong（香港 Baptist大学）
AI总结 本文提出自适应共识ADMM方法，通过为每个节点定制参数提升分布式优化性能，并证明其O(1/k)收敛速率。
Comments ICML 2017
