Princeton University（普林斯顿大学）

Convergence of Continual Learning in Homogeneous Deep Networks

同质深度网络中持续学习的收敛性

Matan Schliserman, Gon Buzaglo, Itay Evron, Daniel Soudry

机构 * Blavatnik School of Computer Science and AI, Tel Aviv University（塔夫茨大学Blavatnik计算机科学与人工智能学院） ； Princeton University（普林斯顿大学） ； Department of Electrical and Computing Engineering, Technion（技术学院电子与计算工程系） 纠错

AI总结 将弱正则化持续分类建模为任务间隔集上的顺序投影，证明全局收敛一般失败，但利用非凸投影理论识别同质深度网络的局部线性收敛条件，并扩展至持续回归。

Legal Domain Adaptation of Modern BERT Models

现代BERT模型的法律领域自适应

Dominik Stammbach, Peter Henderson

机构 * Princeton University（普林斯顿大学） ； Princeton, New Jersey, USA（新泽西州普林斯顿, 美国） 纠错

AI总结 研究现代BERT模型在法律领域的领域自适应，通过在美国法院意见上进一步预训练ModernBERT，显著提升其性能，并支持长序列处理。

Comments To appear in Proceedings of the 21st International Conference on Artificial Intelligence and Law (ICAIL 2026), June 9-12, 2026, Singapore

Zero-Shot Depth from Defocus

无监督的景深估计

Yiming Zuo, Hongyu Wen, Venkat Subramanian, Patrick Chen, Karhan Kayan, Mario Bijelic, Felix Heide, Jia Deng

机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） 纠错

AI总结 本文提出ZEDD基准和FOSSA网络，通过堆栈注意力层和焦点距离嵌入实现无监督景深估计，利用现有RGBD数据生成合成焦点堆栈，实验显示误差降低55.7%。

Comments Accepted to ECCV 2026. Added additional results and clarifications

SWE-fficiency: Can Language Models Optimize Real-World Repositories on Real Workloads?

SWE-fficiency：语言模型能否在真实工作负载上优化现实世界仓库？

Jeffrey Jian Ma, Milad Hashemi, Amir Yazdanbakhsh, Kevin Swersky, Ofir Press, Enhui Li, Vijay Janapa Reddi, Parthasarathy Ranganathan

机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； Princeton University（普林斯顿大学） ； Google（谷歌） 纠错

AI总结 本文提出SWE-fficiency基准，评估语言模型在真实工作负载上优化软件仓库性能的能力，发现现有模型在定位优化机会和保持正确性方面表现不佳。

Comments Appearing at ICML 2026. Data, code, and leaderboard are available at https://swefficiency.com/

Robust Tangent Space Estimation via Laplacian Eigenvector Gradient Orthogonalization

通过拉普拉斯特征向量梯度正交化实现鲁棒切触空间估计

Dhruv Kohli, Sawyer J. Robertson, Gal Mishne, Alexander Cloninger

机构 * Program in Applied and Computational Mathematics, Princeton University（普林斯顿大学应用与计算数学项目） ； Department of Mathematics, UC San Diego（加州大学圣地亚哥分校数学系） ； Halicioğlu Data Science Institute, UC San Diego（加州大学圣地亚哥分校Halicioğlu数据科学研究所） ； Department of Mathematics and Halicioğlu Data Science Institute, UC San Diego（加州大学圣地亚哥分校数学系与Halicioğlu数据科学研究所） 纠错

AI总结 本文提出LEGO方法，利用数据全局结构指导局部切触空间估计，通过正交化图拉普拉斯算子低频特征向量梯度，提升噪声下的鲁棒性，改进流形学习等下游任务。