Technion - Israel Institute of Technology（以色列理工学院）

Optimal L2 Regularization in High-dimensional Continual Linear Regression

高维连续线性回归中最优L2正则化

Gilad Karpel, Edward Moroshko, Ran Levinstein, Ron Meir, Daniel Soudry, Itay Evron

机构 * Department of Data and Decisions Sciences, Technion（以色列理工学院数据与决策科学系） ； School of Engineering, University of Edinburgh（爱丁堡大学工程学院） ； Department of Computer Science, Technion（以色列理工学院计算机科学系） ； Department of Electrical and Computing Engineering, Technion（以色列理工学院电气与计算机工程系） ； Meta 纠错

AI总结 本文研究了高维连续线性回归中L2正则化对泛化性能的影响，推导了在高维情况下任意线性教师下的泛化损失闭式表达式，证明最优固定正则化强度近似与任务数T成线性关系，为持续学习提供了理论基础。

Comments Accepted to ALT 2026

Diffusion-CAM: Faithful Visual Explanations for dMLLMs

扩散-CAM：面向dMLLMs的可信视觉解释

Haomin Zuo, Yidi Li, Luoxiao Yang, Xiaofeng Zhang

机构 * Department of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知系） ； Sun Yat-sen University（中山大学） ； Northwestern University（西北大学） ； Technion - Israel Institute of Technology（以色列理工学院） 纠错

AI总结 本文提出Diffusion-CAM，一种专为扩散多模态大语言模型设计的可解释性方法，通过可微探针获取中间表示，捕捉潜在特征及其类别梯度，解决空间模糊和图像内部混淆问题，提升定位准确性和视觉保真度。

Comments Accepted by ACL 2026 main conference

LogitDynamics: Reliable ViT Error Detection from Layerwise Logit Trajectories

LogitDynamics：从层间Logit轨迹可靠检测ViT错误

Ido Beigelman, Moti Freiman

机构 * Technion - Israel Institute of Technology（以色列理工学院） 纠错

AI总结 本文提出通过层间Logit轨迹分析可靠检测ViT模型错误，利用轻量线性头提取特征预测错误指示器，提升AUCPR并增强跨数据集泛化能力。

Comments Accepted to the HOW 2026 workshop at CVPR 2026; 7 pages, 3 figures

WOODELF-HD: Efficient Background SHAP for High-Depth Decision Trees

WOODELF-HD：高效高深度决策树的背景SHAP

Ron Wettenstein, Alexander Nadel, Udi Boker

机构 * Reichman University（赖希曼大学） ； Faculty of Data and Decision Sciences, Technion（以色列理工学院数据与决策科学学院） 纠错

AI总结 本文提出WoodelfHD，通过Strassen-like乘法方案和路径节点合并，将背景SHAP计算复杂度从3^D降至2^D，实现高深度决策树的高效解释。

Comments 15 pages (including 6-page appendix), 9 figures

Aligning What LLMs Do and Say: Towards Self-Consistent Explanations

对LLMs的行为与说法进行对齐：迈向自洽的解释

Sahar Admoni, Ofra Amir, Assaf Hallak, Yftah Ziser

机构 * Technion – Israel Institute of Technology（以色列理工学院） ； Nvidia Research（英伟达研究院） ； University of Groningen（格罗宁根大学） 纠错

AI总结 研究通过比较回答与解释的特征重要性分布，发现后验自一致性银行(PSCB)能更可靠地体现模型决策与解释的一致性，应用DPO优化提升对齐性而不影响任务精度。

Comments Accepted to Findings of ACL 2026