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

MILM: Large Language Models for Multimodal Irregular Time Series with Informative Sampling

MILM：用于多模态不规则时间序列的大型语言模型与信息采样

Hsing-Huan Chung, Shijun Li, Yoav Wald, Xing Han, Suchi Saria, Joydeep Ghosh

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Technion-IIT（技术学院-以色列理工学院） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出MILM模型，通过两阶段策略处理多模态不规则时间序列，有效利用采样模式和观测值进行分类，提升医疗记录中住院死亡率预测性能。

Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale

尺度敏感的碎裂：在最优尺度上的可学习性与可评估性

Shashaank Aiyer, Yishay Mansour, Shay Moran, Han Shao, Tom Waknine

机构 * University of Maryland（马里兰大学） ； 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） 纠错

AI总结 本文研究了实值函数类在最优尺度下的统一收敛和可学习性，证明了在特定尺度下，统一收敛、无偏可学习性和脂肪碎裂维度的有限性等概念等价，解决了可学习性精确尺度的问题，并改进了现有上界。

Comments 32 pages, 1 figure

Beyond Oversquashing: Understanding Signal Propagation in GNNs Via Observables

超越过饱和：通过可观测量理解GNN中的信号传播

Eden Nagar, Ya-Wei Eileen Lin, Ron Levie

机构 * Technion - Israel Institute of Technology, Faculty of Mathematics（技术离子-以色列理工学院，数学系） ； Technical University of Munich, School of Computation, Information and Technology（慕尼黑技术大学，计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

AI总结 本文提出基于量子力学的可观测量方法，揭示标准谱GNN信号传播能力不足，并提出Schrödinger GNN改进信号路由能力。

Test-Time Training with KV Binding Is Secretly Linear Attention

测试时训练与KV绑定实际上是秘密的线性注意力

Junchen Liu, Sven Elflein, Or Litany, Zan Gojcic, Ruilong Li

机构 * NVIDIA, Toronto, Ontario, Canada（NVIDIA，多伦多，安大略省，加拿大） ； University of Toronto, Toronto, Ontario, Canada（多伦多大学，多伦多，安大略省，加拿大） ； Vector Institute, Toronto, Ontario, Canada（向量研究所，多伦多，安大略省，加拿大） ； Technion -- Israel Institute of Technology, Haifa, Israel（技术ion -- 以色列理工学院，海法，以色列） 纠错

AI总结 本文揭示测试时训练与KV绑定实际上是学习的线性注意力，而非记忆，提出简化架构、并行计算和统一模型形式的改进方法。

Comments ICML 2026, Webpage: https://research.nvidia.com/labs/sil/projects/tttla/

Learning a Continue-Thinking Token for Enhanced Test-Time Scaling

学习一个持续思考标记以增强测试时扩展

Liran Ringel, Elad Tolochinsky, Yaniv Romano

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

AI总结 本文研究了通过学习专用持续思考标记来提升测试时扩展性能的方法，实验表明该方法在数学基准测试中优于固定标记方法。