Massachusetts Institute of Technology（麻省理工学院）

Interpreting "Interpretability" and Explaining "Explainability" in Machine Learning in Physics

解读物理学中机器学习的“可解释性”与解释“可解释性”

Rikab Gambhir, Luisa Lucie-Smith, Jesse Thaler

机构 * Department of Physics, University of Cincinnati（俄亥俄州辛辛那提大学物理系） ； Hamburger Sternwarte, Universität Hamburg（汉堡大学汉堡天文台） ； Center for Theoretical Physics – a Leinweber Institute, Massachusetts Institute of Technology（麻省理工学院理论物理中心——莱因韦伯研究所） ； Institut des Hautes Études Scientifiques（高等科学研究院） ； Institut de Physique Théorique, CEA Paris-Saclay（巴黎-萨克雷CEA理论物理研究所） ； NSF Institute for Artificial Intelligence and Fundamental Interactions（国家科学基金会人工智能与基本相互作用研究所） 纠错

AI总结 本文区分了机器学习在物理学中的可解释性（模型结构透明）与可解释性（映射到领域知识），讨论了权衡、应用场景及实现工具，强调它们是建模选择而非固有属性。

Comments 31 pages, 3 figures, Part of the VERaiPHY Initiative; v2: Minor revisions

SL-S4Wave: Self-Supervised Learning of Physiological Waveforms with Structured State Space Models

SL-S4Wave：基于结构化状态空间模型的生理波形自监督学习

Feng Wu, Harsh Deep, Eric Lehman, Sanyam Kapoor, Guoshuai Zhao, Rahul G. Krishnan, Gari Clifford, Li-wei H Lehman

机构 * Massachusetts Institute of Technology（麻省理工学院） ； OpenEvidence, USA（OpenEvidence（美国）） ； New York University（纽约大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Toronto（多伦多大学） ； Emory University（埃默里大学） 纠错

AI总结 提出SL-S4Wave框架，结合对比学习与基于结构化状态空间模型的编码器，通过多尺度子核全局卷积捕获多通道生理波形的局部和长程依赖，在心律失常检测等任务中优于现有方法。

Mitigating Bias in Locally Constrained Decoding via Tractable Proposals

通过可处理提议缓解局部约束解码中的偏差

Meihua Dang, Linxin Song, Honghua Zhang, Jieyu Zhao, Guy Van den Broeck, Stefano Ermon

机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 针对局部约束解码中因短视掩码导致的采样偏差，提出基于张量化有限自动机的全局约束解码提议和概率全局约束解码提议，结合序贯蒙特卡洛方法实现无偏采样，在函数调用、关键词生成和SQL生成任务中显著减少所需粒子数并加速收敛。

Comments ICML 2026

World-in-World: World Models in a Closed-Loop World

世界中的世界：闭环世界中的世界模型

Jiahan Zhang, Muqing Jiang, Nanru Dai, Taiming Lu, Arda Uzunoglu, Shunchi Zhang, Yana Wei, Jiahao Wang, Vishal M. Patel, Paul Pu Liang, Daniel Khashabi, Cheng Peng, Rama Chellappa, Tianmin Shu, Alan Yuille, Yilun Du, Jieneng Chen

机构 * JHU（约翰·霍普金斯大学） ； PKU（北京大学） ； Princeton（普林斯顿大学） ； MIT（麻省理工学院） ； Harvard（哈佛大学） 纠错

AI总结 研究人员推出首个具身场景闭环世界模型基准平台World-in-World，发现视觉质量不保障任务成功，后训练缩放比升级预训练视频生成器更有效，增加推理计算可提升闭环性能。

Comments ICLR 2026 Oral. Add acknowledgement in arxiv v2. Code is at this https URL (https://github.com/World-In-World/world-in-world)

Efficient Code Embeddings from Code Generation Models

基于代码生成模型的高效代码嵌入

Daria Kryvosheieva, Saba Sturua, Michael Günther, Han Xiao

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Jina AI GmbH（Jina AI公司） 纠错

AI总结 研究提出jina-code-embeddings代码嵌入模型套件，采用文本与代码预训练的自回归主干及最后token池化，以较小规模实现最优性能，可用于代码检索、问答及相似代码识别。

Comments 9 pages. Accepted at the NeurIPS 2025 Workshop on Deep Learning for Code (DL4CODE)