University of Toronto（多伦多大学）

DBLP: Phase-Aware Bounded-Loss Transport for Burst-Resilient Distributed ML Training

DBLP：面向突发弹性分布式机器学习训练的相位感知有界损失传输协议

Zechen Ma, Zixi Qu, Jinyan Yi, David Lin, Yashar Ganjali

机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系） 纠错

AI总结 针对分布式ML训练受网络瞬态拥塞影响的问题，提出相位感知的DBLP传输协议，动态调整梯度损失容忍度，大幅降低训练时延、提升突发场景下的通信效率。

Wasserstein Residuals: Learning Gradient Flows from Population Dynamics

Wasserstein残差：从种群动力学中学习梯度流

Markus Heinonen, Yair Shenfeld, Ricardo Baptista, Daniel Waxman, Dmitry Batenkov, Tim Cooijmans, Eli Bingham

机构 * Basis Research Institute（基础研究机构） ； Aalto University（艾尔沃斯大学） ； Brown University（布朗大学） ； University of Toronto（多伦多大学） ； MIT（麻省理工学院） 纠错

AI总结 针对传统Wasserstein梯度流JKO方法离散不灵活、计算成本高的问题，提出基于残差的新目标与无仿真粒子方法stitching，在轨迹推断基准上取得SOTA性能。

Strategic Buying Agents

战略性购买智能体

Mingyang Fu, Ming Hu

机构 * Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院） 纠错

AI总结 该研究面向自主代客购物场景，分三类信息场景设计有限购物窗口内的最优购买策略，经真实电商价格数据验证，大模型更适配场景选择而非直接购买决策。

Displacement Preserving Relational Distillation for Robust Medical Segmentation

用于稳健医学分割的位移保持关系蒸馏

Zhicheng Ding, Xinyu Chu, Jung Im Choi, Qing Tian, Tianyu Shi, Xiaoqian Jiang, Lijing Zhu, Qizhen Lan

机构 * Bowling Green State University（鲍灵格林州立大学） ； The University of Findlay（芬德利大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； University of Toronto（多伦多大学） ； University of Houston - Clear Lake（休斯顿大学清水湖分校） ； UTHealth Houston（德克萨斯大学健康科学中心休斯顿分校） 纠错

AI总结 针对准确3D医学分割受解剖变异性和高计算成本限制的问题，提出位移保持关系蒸馏方法，通过基于向量对齐蒸馏潜在解剖轨迹，集成到nnU-Net后在基准测试中表现优异。

ManifoldFlow: SPD-Relaxed Stiefel Layers with Learnable Singular Spectrum

流形流：具有可学习奇异谱的对称正定松弛斯蒂费尔层

Haiwen Yi, Xinyuan Song

机构 * University of Toronto（多伦多大学） ； Emory University（埃默里大学） 纠错

AI总结 研究提出ManifoldFlow，通过\(W = Q S^{1/2}\)在斯蒂费尔流形上学习有界正谱，放松固定谱斯蒂费尔层约束，在部分实验中可学习的对称正定谱表现更好。

Comments 39 pages

Measuring Harness-Induced Belief Divergence in Multi-Step LLM Agents

测量多步语言模型智能体中工具诱导的信念差异

Haiwen Yi, Xinyuan Song

机构 * University of Toronto（多伦多大学） ； Emory University（埃默里大学） 纠错

AI总结 研究多步语言模型智能体中工具对其信念的影响，引入信念展开诊断，定义跨工具信念差异并分解，通过实验表明工具设计是智能体评估中的实验变量。

Comments 28 pages

Seeing Once is Enough? Online Geometry-Aware Token Pruning for 3D Question Answering

看一次就够了？用于3D问答的在线几何感知令牌剪枝

Ruei-Chi Lai, Bolivar Solarte, Chin-Hsuan Wu, Yi-Hsuan Tsai, Min Sun

机构 * National Tsing Hua University（国立清华大学） ； Industrial Technology Research Institute ITRI（工业技术研究院） ； University of Toronto（多伦多大学） ； Atmanity Inc（Atmanity公司） 纠错

AI总结 针对3D问答中多模态大语言模型推理成本高的问题，提出在线令牌剪枝方法，利用深度和相机姿态投影到体素空间，识别重叠区域并剪枝冗余令牌，减少令牌使用，提升效率和性能。

Comments published at ICLR 2026 Workshop on Efficient Spatial Reasoning

TemporalGS: Training-Free Plug-and-Play Acceleration for 3D Gaussian Splatting Rendering via Temporal Priors

TemporalGS：通过时间先验实现无训练即插即用的3D高斯点渲染加速

Yuhongze Zhou, Zihao Yang, Xinxin Zuo, Juwei Lu

机构 * McGill University（麦吉尔大学） ； University of Waterloo（滑铁卢大学） ； Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学） 纠错

AI总结 研究针对3D高斯点渲染在高帧率和低延迟方面的挑战，提出TemporalGS，利用时间先验减少连续帧高斯预处理等操作冗余，有动态剔除和选择性渲染策略，可加速渲染且无需训练。

HNSW with Accuracy Guarantees Using Graph Spanners

具有精度保证的HNSW：基于图Spanner的技术报告

Minghao Li, Raghav Mittal, Sanjivni Rana, Suraj Shetiya, Gautam Das, Nick Koudas

机构 * University of Toronto（多伦多大学） ； The University of Texas At Arlington（德克萨斯大学阿灵顿分校） ； IIT Bombay（博扬理工学院） 纠错

AI总结 提出Certify-then-Rectify框架，结合HNSW的快速启发式搜索与精确检索的严格性，通过无分布统计认证和极值理论估计图拉伸因子，实现平均速度与最坏情况正确性。

Comments 23 pages, 22 figures

CoopEval: Benchmarking Cooperation-Sustaining Mechanisms and LLM Agents in Social Dilemmas

CoopEval：社会困境中合作维持机制与LLM代理的基准测试

Emanuel Tewolde, Xiao Zhang, David Guzman Piedrahita, Vincent Conitzer, Zhijing Jin

机构 * Carnegie Mellon University ； Foundations of Cooperative AI Lab (FOCAL) ； Jinesis Lab, University of Toronto \& Vector Institute ； ETH Z\" u rich ； Max Planck Institute for Intelligent Systems, T\" u bingen, Germany 纠错

AI总结 研究探讨了社会困境中合作维持机制与LLM代理的交互效果，发现重复游戏和声誉系统最有效，但合作效果随对手变化而下降，且在进化压力下更有效。

Comments Published paper at the International Conference on Machine Learning (ICML) 2026. 65 pages, 38 Figures, 8 Tables, 17 Listings

Motion Attribution for Video Generation

视频生成中的运动归因

Xindi Wu, Despoina Paschalidou, Jun Gao, Antonio Torralba, Laura Leal-Taixé, Olga Russakovsky, Sanja Fidler, Jonathan Lorraine

机构 * NVIDIA ； Princeton University（普林斯顿大学） ； MIT（麻省理工学院） ； University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 研究视频生成模型中数据对运动影响，提出基于梯度的运动归因框架Motive，通过运动加权损失掩码分离静态外观和时间动态，用于研究微调剪辑对时间动态的影响及指导数据策划，提升视频运动质量。

Comments See the project website at https://research.nvidia.com/labs/sil/projects/MOTIVE/

TokSuite: Measuring the Impact of Tokenizer Choice on Language Model Behavior

TokSuite：衡量分词器选择对语言模型行为的影响

Gül Sena Altıntaş, Malikeh Ehghaghi, Brian Lester, Fengyuan Liu, Wanru Zhao, Marco Ciccone, Colin Raffel

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Google DeepMind（谷歌DeepMind） ； McGill University（麦吉尔大学） ； University of Cambridge（剑桥大学） ； Hugging Face 纠错

AI总结 提出TokSuite，含模型集合与基准测试，通过不同分词器的预训练模型及多语言鲁棒性基准测试，解耦分词器影响，阐明多种流行分词器优缺点。

Comments ICML 2026. 46 pages, 13 figures