Bayesian Inference with Shaped Deep Non-linear MLPs
具有形状深度非线性MLP的贝叶斯推断
机构 * Princeton University（普林斯顿大学）
AI总结 本文通过神经协方差SDE分析深度非线性MLP在训练样本数、输入维数、隐藏层宽度和层数均较大时的贝叶斯推断，发现LP/N的一阶准则决定深度对模型证据的益处，并推导出贝叶斯预测后验等价于数据相关核方法。
Comments 35 Pages
高校专区
Princeton University（普林斯顿大学）
Learning to Perceive the World Through Control: Empowerment-Based Representation Learning
通过控制学习感知世界：基于赋能的表示学习
机构 * Princeton University, USA（普林斯顿大学，美国）
AI总结 本文通过最大化赋能目标，研究如何学习仅捕捉环境控制相关特征的表示，并证明赋能代理诱导的前向和后向表示对控制无关特征具有不变性。
VLM3: Vision Language Models Are Native 3D Learners
VLM3：视觉语言模型是原生3D学习者
机构 * Meta ； Princeton University（普林斯顿大学）
AI总结 本文提出VLM3，通过焦距统一、文本像素参考和数据混合缩放，使标准视觉语言模型无需复杂架构或损失函数即可高效掌握多种3D任务。
NumLeak: Public Numeric Benchmarks as Latent Labels in Foundation Models
NumLeak: 基础模型中的公开数值基准作为潜在标签
机构 * Princeton University（普林斯顿大学）
AI总结 提出NumLeak框架，通过API边界探测和开源因果模型的白盒验证，揭示基础模型在预训练中记忆公开数值基准，导致评估高估泛化能力。
Comments 23 pages, 12 figures, 17 tables. Accepted at the ICML 2026 Workshop on the Impact of Memorization on Trustworthy Foundation Models (MemFM)
