University of Toronto（多伦多大学）

SeededGrasp: Language-Guided Grasping in Complex Scenes with Multiple Embodiments

SeededGrasp：复杂场景中多实体语言引导抓取

Yang Xu, Gurpreet Singh Mukker, Raymond Wang, Jasper Gerigk, Maria Attarian, Igor Gilitschenski

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University of British Columbia（英属哥伦比亚大学） ； Google Deepmind（谷歌DeepMind） 纠错

AI总结 针对复杂场景中机器人抓取问题，提出 SeededGrasp 框架，通过 VLM 预测种子点，结合轻量级抓取生成模型，解耦语义与几何执行，无需端到端训练，发布多实体数据集，实验证明该方法优于基线。

Frequency-Hierarchical Active k-Space Sampling for Diagnostic MRI

用于诊断性MRI的频率分层主动k空间采样

Ruru Xu, Kian Anvari Hamedani, Zhikai Yang, Ilkay Oksuz

机构 * Istanbul Technical University（伊斯坦布尔技术大学） ； University of Toronto（多伦多大学） ； Sunnybrook Research Institute（桑尼布鲁克研究所） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

AI总结 研究针对MRI加速采样中不同频率信息处理难题，提出HieraSample框架，通过余弦退火课程和基于Mamba的策略，在不同加速倍数下实现高效采样，在fastMRI+膝盖基准测试中提升了ACL诊断性能。

Comments EMA4MICCAI 2026: The 2nd MICCAI Workshop on Efficient Medical AI

VQ-Transplant: Efficient VQ-Module Integration for Pre-trained Visual Tokenizers

VQ-Transplant：用于预训练视觉分词器的高效VQ模块集成

Xianghong Fang, Yuan Yuan, Dehan Kong, Tim G. J. Rudner

机构 * University of Toronto（多伦多大学） ； Boston College（波士顿学院） 纠错

AI总结 研究针对训练VQ模块资源需求大的问题，提出VQ-Transplant框架，可将新VQ模块集成到预训练分词器，保留编码器-解码器参数，引入轻量级解码器适应策略，降低训练成本95%，在工业级模型上获高重建保真度，推动量化研究发展。

Comments 20 pages, 9 figures and 16 tables

Generative Augmented Inference of LLM-generated Data for Market Research: Theory and Empirical Evidence

生成式增强推断

Cheng Lu, Mengxin Wang, Dennis J. Zhang, Heng Zhang

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） 纠错

AI总结 提出生成式增强推断（GAI）框架，将AI输出视为学习真实标签的高维信息特征而非代理，通过非参数方法建模，实现人机数据联合的一致估计和有效推断，在随机标注下渐近效率严格优于仅用人类数据。

Frequentist Consistency of Prior-Data Fitted Networks for Causal Inference

用于因果推断的先验数据拟合网络的频率派一致性

Valentyn Melnychuk, Vahid Balazadeh, Stefan Feuerriegel, Rahul G. Krishnan

机构 * LMU Munich \& Munich Center for Machine Learning (MCML), Munich, Germany ； University of Toronto \& Vector Institute, Toronto, Canada 纠错

AI总结 本文分析基于先验数据拟合网络（PFN）的平均处理效应（ATE）估计量的频率派一致性，发现其存在先验诱导的混淆偏差，并提出基于一步后验校正（OSPC）的校准方法，结合鞅后验恢复功能干扰后验，从而恢复频率派一致性并实现半参数Bernstein-von Mises定理。

Journal ref Proceedings of the 43-rd International Conference on Machine Learning, Seoul, South Korea, PMLR 306, 2026