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

Neural Networks With Dense Weights Are Not Universal Approximators

具有密集权重的神经网络不是通用逼近器

Levi Rauchwerger, Stefanie Jegelka, Ron Levie

机构 * Princeton University, Dept of CS（普林斯顿大学计算机科学系） ； MIT, Dept of EECS and CSAIL（麻省理工学院电子工程与计算机科学系及计算机科学与人工智能实验室） ； TUM, School of CIT, MCML, MDSI（技术大学（TUM）信息科技学院，MCML，MDSI） ； Technion – IIT, Faculty of Mathematics（技术学院–以色列理工学院数学学院） 纠错

AI总结 研究探讨了密集神经网络的逼近能力，指出在有限的权重约束下，密集连接的神经网络无法逼近任意连续函数，从而揭示了密集层神经网络的固有局限性，推动了稀疏连接在实现真正通用性中的必要性。

Evidence-Grounded Frontier Mapping and Agentic Hypothesis Generation in Nanomedicine

基于证据的前沿映射与代理假设生成在纳米医学中

Christiaan G. A. Viviers, Koen de Bruin, Mirre M. Trines, Ayla M. Hokke, Roy van der Meel, Avi Schroeder, Twan Lammers, Willem J. M. Mulder, Fons van der Sommen

机构 * ARIA Lab, Signal Processing Systems, Department of Electrical Engineering, Eindhoven University of Technology（ARIA实验室，信号处理系统，电气工程系，埃因霍温理工大学） ； Laboratory of Chemical Biology, Department of Biomedical Engineering, Eindhoven University of Technology（化学生物学实验室，生物医学工程系，埃因霍温理工大学） ； The Louis Family Laboratory for Targeted Drug Delivery and Personalized Medicine Technologies, Department of Chemical Engineering, Technion - Israel Institute of Technology（定向药物输送与个性化医学技术实验室，化学工程系，技术离子-以色列理工学院） ； Department of Nanomedicine and Theranostics, Institute for Experimental Molecular Imaging (ExMI), RWTH Aachen University Hospital（纳米医学与诊疗学系，实验分子成像研究所（ExMI），亚琛工业大学医院） ； Department of Internal Medicine and Radboud Center for Infectious Diseases (RCI), Radboud University Medical Center（内科学系和Radboud感染疾病中心（RCI），Radboud大学医学中心） 纠错

AI总结 该研究提出了一种结合文章嵌入、相似性图分析、稀疏前沿提取、结构化证据包检索和审计过的大型语言模型（LLM）工作流的系统pArticleMap，用于支持纳米医学研究方向的选择和假设生成，通过生成和评分基于引用的假设，实现了证据导向的研究辅助。

Controlling False Discovery in Arbitrarily Structured Hypothesis Spaces via Reproducing Kernels

通过再生核来控制任意结构假设空间中的假发现

Binyamin Perets, Shie Mannor

机构 * Technion – Israel Institute of Technology（技术Ion – 以色列理工学院） ； NVIDIA 纠错

AI总结 本文提出了一种基于再生核的框架，用于在任意结构的假设空间中控制假发现率，通过将结构FDR控制转化为正则化学习问题，实现了对连续域、图和层次结构的统一处理，提高了发现能力。

Comments 9 pages

Old Habits Die Hard: How Conversational History Geometrically Traps LLMs

旧习惯难改：对话历史如何几何学地困住大语言模型

Adi Simhi, Fazl Barez, Martin Tutek, Yonatan Belinkov, Shay B. Cohen

机构 * Technion - Israel Institute of Technology（技术ion-以色列理工学院） ； University of Oxford（牛津大学） ； University of Zagreb, FER（Zagreb大学，FER） ； Kempner Institute, Harvard University（Kempner研究所，哈佛大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 研究探讨对话历史如何通过几何陷阱影响大语言模型的后续表现，提出History-Echoes框架从概率和几何两个角度分析对话历史偏差，并揭示行为持续性在潜在空间中的几何陷阱。

Comments Accepted to ICML 2026

Learning from Historical Activations in Graph Neural Networks

在图神经网络中学习历史激活

Yaniv Galron, Hadar Sinai, Haggai Maron, Moshe Eliasof

机构 * Technion – Israel Institute of Technology（技术ion–以色列理工学院） ； NVIDIA ； Ben-Gurion University of the Negev（贝内-约尔根大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出HISTOGRAPH，一种基于注意力的两阶段最终聚合层，通过层间和节点间的注意力机制，利用节点的激活历史和图结构来优化最终预测特征，从而在多个图分类基准上实现了优于传统方法的性能。

Comments ICLR 2026

Plan First, Diffuse Later: Extrinsic Graph Guidance for Long-Horizon Diffusion Planning

先规划，后扩散：用于长视距扩散规划的外在图引导

Yaniv Hassidof, Adir Morgan, Yilun Du, Kiril Solovey

机构 * Technion（技术Ion大学） ； Harvard（哈佛大学） 纠错

AI总结 本文提出了一种外在搜索引导的扩散模型（XDiffuser），通过在状态空间图上先规划再引导扩散过程，以提高长视距规划的效率和效果，尤其在低质量数据和未见任务中表现优异。

Online Algorithms with Unreliable Guidance

具有不可靠指导的在线算法

Julien Dallot, Yuval Emek, Yuval Gil, Maciej Pacut, Stefan Schmid

机构 * TU Berlin, Germany（柏林技术大学，德国） ； Technion, Israel（技术学院，以色列） ； Reykjavik University, Iceland（雷克雅未克大学，冰岛） ； TU Berlin and Weizenbaum Institute, Germany（柏林技术大学和魏泽恩鲍姆研究所，德国） 纠错

AI总结 本文提出了一种名为OAG的在线算法模型，通过请求-回答游戏的视角，分离预测与算法组件，构建了通用分析框架，从而开发出首个通用编译器DTB，将标准在线算法转化为学习增强型算法，并在三个经典问题中取得新的性能平衡和最优解。

Joint Enhancement and Classification using Coupled Diffusion Models of Signals and Logits

信号与logits的耦合扩散模型联合增强与分类

Gilad Nurko, Roi Benita, Yehoshua Dissen, Tomohiro Nakatani, Marc Delcroix, Shoko Araki, Joseph Keshet

机构 * Technion -- Israel Institute of Technology, Haifa, Israel（技术学院——以色列理工学院，海法，以色列） ； NTT, Inc., Japan（日本NTT公司） 纠错

AI总结 本文提出一种集成信号和logits扩散模型的框架，通过相互指导提升分类鲁棒性，有效应对噪声环境下的分类挑战。

Analyzing and Guiding Zero-Shot Posterior Sampling in Diffusion Models

分析和指导扩散模型中的零样本后验采样

Roi Benita, Michael Elad, Joseph Keshet

机构 * Department of Electrical and Computer Engineering（电气工程系） ； Department of Computer Science（计算机科学系） ； Technion, Haifa, Israel（以色列海法技术学院） 纠错

AI总结 本文分析了扩散模型中零样本后验采样的方法，提出基于高斯假设的框架，通过频域分析实现参数设计，提升感知质量和信号保真度。

Action-Gradient Monte Carlo Tree Search for Non-Parametric Continuous (PO)MDPs

动作-梯度蒙特卡洛树搜索用于非参数连续（PO）MDPs

Idan Lev-Yehudi, Michael Novitsky, Moran Barenboim, Ron Benchetrit, Vadim Indelman

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

AI总结 本文提出AGMCTS框架，结合全局树搜索与局部梯度优化，解决连续状态空间下的规划问题，理论贡献包括动作评分梯度定理、多重要性采样树和可计算的动作评分梯度。