Temporally Extended Mixture-of-Experts Models
时扩展专家混合模型
机构 * Princeton University（普林斯顿大学）
AI总结 本文提出时扩展混合专家层，通过引入控制器学习专家切换时机，降低切换率并保持模型精度，为高效服务和持续学习提供新方法。
高校专区
Princeton University（普林斯顿大学）
Lucky High Dynamic Range Smartphone Imaging
幸运高动态范围智能手机成像
机构 * Princeton University（普林斯顿大学） ； Adobe（Adobe公司）
AI总结 本文提出一种基于轻量级网络的智能手机成像方法，通过线性RAW像素间接捕捉高动态范围，避免幻觉伪影，验证了其在合成和真实图像上的泛化能力。
Comments 13 pages, 12 figures
Weak-to-Strong Knowledge Distillation Accelerates Visual Learning
弱到强知识蒸馏加速视觉学习
机构 * Princeton University（普林斯顿大学）
AI总结 本文提出一种通用知识蒸馏方法，通过冻结弱教师模型并在早期训练中应用蒸馏，加速强学生模型训练，实验表明在ImageNet和CIFAR分类中提升训练效率达4.8倍。
Comments 18 pages, 7 figures
Seven simple steps for log analysis in AI systems
在AI系统中进行日志分析的七步法
机构 * UK AI Security Institute (AISI)（英国人工智能安全研究所） ； US Center for AI Standards and Innovation (CAISI)（美国人工智能标准与创新中心） ； Model Evaluation and Threat Research (METR)（模型评估与威胁研究） ； Princeton University（普林斯顿大学） ； RAND Corporation（RAND公司） ； Meridian Labs（Meridian实验室） ； University of Cambridge（剑桥大学）
AI总结 本文提出了一种基于最佳实践的日志分析流程，通过Inspect Scout库中的代码示例，详细指导每一步并指出常见问题，为严谨可重复的日志分析提供框架。
Local Diffusion Models and Phases of Data Distributions
局部扩散模型与数据分布的相
机构 * Department of Electrical and Computer Engineering, Princeton University, Princeton, NJ 08544, USA（电气与计算机工程系，普林斯顿大学，普林斯顿，新泽西州08544，美国） ； QuEra Computing Inc., 1284 Soldiers Field Road, Boston, MA 02135, USA（QuEra计算公司，1284士兵场路，波士顿，马萨诸塞州02135，美国） ； Department of Physics, University of Colorado Boulder, Boulder, CO 80309, USA（物理系，科罗拉多大学博尔德分校，博尔德，科罗拉多州80309，美国）
AI总结 本文提出局部扩散模型的相分析框架，揭示局部去噪器在相变中的作用，通过空间马尔可夫性评估相变，并验证了局部神经网络在相变区域外的高效性。
Comments 11+23 pages, 4+4 figures
The Optical and Infrared Are Connected
光学和近红外是相连的
机构 * Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理系） ； Center for Statistics and Machine Learning, Princeton University（普林斯顿大学统计与机器学习中心） ； Center for Computational Astrophysics, Flatiron Institute（Flatiron研究所计算天文学中心） ； Columbia University, Columbia Astrophysics Lab（哥伦比亚大学哥伦比亚天文学实验室）
AI总结 本文提出一种数据驱动模型，利用光学SDSS光谱的神经摘要准确预测红外WISE光度，改进了AGN和尘埃参数的约束，并发现现有SED拟合方法存在偏差。
Comments Accepted to ApJ. 18 pages, 14 figures. 11 pages of Appendix
Stream-CQSA: Avoiding Out-of-Memory in Attention Computation via Flexible Workload Scheduling
Stream-CQSA：通过灵活的工作负载调度避免注意力计算中的内存不足
机构 * Lewis-Sigler Institute of Integrative Genomics（刘易斯-西格勒整合基因组学研究所） ； Princeton University（普林斯顿大学）
AI总结 本文提出Stream-CQSA框架，通过分解注意力计算为可调度的子任务，实现内存适应性调度，使单GPU可处理十亿token序列的精确注意力计算。
Occupancy Reward Shaping: Improving Credit Assignment for Offline Goal-Conditioned Reinforcement Learning
占用奖励塑造：改进离线目标导向强化学习中的信用分配
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） ； INFIFORCE Intelligent Technology（INFIFORCE智能技术） ； Princeton University（普林斯顿大学）
AI总结 本文提出占用奖励塑造方法，通过提取世界模型中的时间信息，改进稀疏奖励下的信用分配问题，在13种长周期运动和操作任务中提升了2.2倍性能。
Comments ICLR 2026
Centering Ecological Goals in Automated Identification of Individual Animals
以生态目标为中心的个体动物自动识别
机构 * University of West Bohemia in Pilsen（西波西米亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； LUT University（卢特大学） ； Conservation X Labs（保护X实验室） ； Queen Mary University of London（伦敦玛丽女王大学） ； The Ohio State University（俄亥俄州立大学） ； Giraffe Conservation Foundation（犀牛保护基金会） ； University of Bristol（布里斯托大学） ； Czech Technical University in Prague（布拉格捷克技术大学） ； Cornell Lab of Ornithology（哥伦布鸟类实验室） ； University of Pittsburgh（匹兹堡大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Princeton University（普林斯顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； CNR（意大利国家研究委员会）
AI总结 本文探讨了自动识别个体动物在生态研究中的应用，指出当前方法与实际生态数据处理存在不匹配，强调需以生态问题为导向提升识别的实用性与可信度。
