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

MulTaBench: Benchmarking Multimodal Tabular Learning with Text and Image

MulTaBench: 基于文本和图像的多模态表格学习基准测试

Alan Arazi, Eilam Shapira, Shoham Grunblat, Mor Ventura, Elad Hoffer, Gioia Blayer, David Holzmüller, Lennart Purucker, Gaël Varoquaux, Frank Hutter, Roi Reichart

机构 * Technion – Israel Institute of Technology（技术ion – 以色列理工学院） ； Prior Labs（Prior实验室） ； NVIDIA ； SODA Team, INRIA Saclay, Palaiseau（SODA团队，INRIA萨克莱，帕莱索） ； University of Freiburg（弗赖堡大学） ； Probabl ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 MulTaBench通过40个数据集评估多模态表格学习，强调任务特定的表示学习，展示目标感知表示在文本和图像模态中的泛化能力。

Valid Best-Model Identification for LLM Evaluation via Low-Rank Factorization

通过低秩分解实现LLM评估中的最佳模型识别

Elad Tolochinsky, Yaniv Tenzer, Yaniv Romano

机构 * Department of Computer Science, Technion – Israel Institute of Technology（计算机科学系，技术离子理工学院） ； Department of Electrical and Computer Engineering, Technion – Israel Institute of Technology（电气与计算机工程系，技术离子理工学院） 纠错

AI总结 本文提出结合多臂老虎机与低成本预测评分的框架，通过低秩分解减少方差，构建有效的置信区间，实现实验结果的准确识别与计算成本的降低。

Scalable Inspection Planning via Flow-based Mixed Integer Linear Programming

基于流的混合整数线性规划的可扩展检查规划

Adir Morgan, Kiril Solovey, Oren Salzman

机构 * Technion--Israel Institute of Technology, Haifa, Israel（技术离子-以色列理工学院，海法，以色列） 纠错

AI总结 本文提出基于流的混合整数线性规划方法，解决大规模检查规划问题，提升求解效率和解的质量，适用于医疗和基础设施等场景。

The Value of Mechanistic Priors in Sequential Decision Making

在序列决策中机制先验的价值

Itai Shufaro, Gal Benor, Shie Mannor

机构 * Technion（技术学院） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 本文研究了机制先验在序列决策中的价值，通过渐近和预热阶段的分析，提出机制信息度量并展示其在5-FU给药模拟中的高效性，对比LLM先验发现其在机械信息上存在严重损失。

Online Set Learning from Precision and Recall Feedback

在线集学习：基于精确度与召回率反馈

Lee Cohen, Yishay Mansour, Shay Moran, Han Shao

机构 * Stanford University（斯坦福大学） ； Tel Aviv University and Google Research（特拉维夫大学和谷歌研究） ； Technion and Google Research（技术学院和谷歌研究） ； University of Maryland（马里兰大学） 纠错

AI总结 本文研究在线集学习问题，通过精确度和召回率反馈最大化累积奖励。证明有限VC维的假设类可学习，算法结构复杂，挑战传统ERM原则，提供现实和非现实设置下的后悔界。

Enabling Structure-Only Initialization and Out-of-Distribution Generalization in GNN-based Molecular Dynamics Simulators

使基于图神经网络的分子动力学模拟器具备仅结构初始化和分布外泛化能力

S. A. Shteingolts, Salman N. Salman, Dan Mendels

机构 * The Wolfson Department of Chemical Engineering, Technion - Israel Institute of Technology, Haifa, 32000, Israel（沃尔夫森化学工程系，技术学院-以色列理工学院，海法，32000，以色列） 纠错

AI总结 本文提出两种策略，使基于GNN的模拟器能稳定准确地仅通过结构初始化，并实现分布外泛化，通过物理优化框架和可微分的barostat，提升模拟稳定性与泛化能力。

Comments 10 pages, 7 figures

Representative Action Selection for Large Action Space Bandit Families

大规模动作空间老虎机家族中的代表性动作选择

Quan Zhou, Mark Kozdoba, Shie Mannor

机构 * National University of Singapore（新加坡国立大学） ； Technion（技术学院） 纠错

AI总结 本文研究如何从大规模动作空间中选择代表性动作，以提高效率。提出简单算法通过随机采样和求解来收集最优动作，理论和实验验证其有效性。

Simulus: Combining Improvements in Sample-Efficient World Model Agents

Simulus：结合高效样本世界模型代理的改进

Lior Cohen, Kaixin Wang, Bingyi Kang, Uri Gadot, Shie Mannor

机构 * Technion（技术ion大学） ； Microsoft Research（微软研究院） ； ByteDance Seed（字节跳动种子实验室） 纠错

AI总结 本文提出Simulus，一种模块化的基于标记的世界模型代理，通过整合灵活的标记化框架、内在动机、优先世界模型回放和回归-分类方法，提升了样本效率，适用于多个基准测试。

Comments Revised version: updated title, abstract, and framing to better reflect our contributions and situate the work within the literature

Improving Inverse Folding for Peptide Design with Diversity-regularized Direct Preference Optimization

通过多样性正则化的直接偏好优化改进肽设计的反向折叠

Ryan Park, Darren J. Hsu, C. Brian Roland, Maria Korshunova, Chen Tessler, Shie Mannor, Olivia Viessmann, Bruno Trentini

机构 * Stanford University（斯坦福大学） ； NVIDIA（英伟达） ； Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； Flagship Pioneering（旗领先锋） ； University of Oxford（牛津大学） 纠错

AI总结 本文通过改进的直接偏好优化方法，结合多样性正则化和领域特定先验，提升肽设计中反向折叠模型的序列多样性和结构一致性，实验表明在OpenFold生成结构条件下，模型在结构相似度上取得显著提升。

Comments Preprint. 10 pages plus appendices

GraphBench: Next-generation graph learning benchmarking

GraphBench: 图学习下一代基准测试

Timo Stoll, Chendi Qian, Ben Finkelshtein, Ali Parviz, Darius Weber, Fabrizio Frasca, Hadar Shavit, Antoine Siraudin, Arman Mielke, Marie Anastacio, Erik Müller, Maya Bechler-Speicher, Michael Bronstein, Mikhail Galkin, Holger Hoos, Mathias Niepert, Bryan Perozzi, Jan Tönshoff, Christopher Morris

机构 * RWTH Aachen University（亚琛RWTH大学） ； University of Oxford（牛津大学） ； Mila – Quebec AI Institute（魁北克AI研究所） ； Technion - Israel Institute of Technology（技术学院-以色列理工学院） ； ETAS Research University of Stuttgart（斯图加特大学ETAS研究所） ； Google Research（谷歌研究） ； Microsoft Research（微软研究院） 纠错

AI总结 GraphBench 提供标准化评估协议和统一超参数调优框架，用于评估图学习任务中的泛化能力，推动图学习领域的发展。