University of Toronto（多伦多大学）

2608.07408 2026-08-10 cs.CV cs.LG 新提交

Addressable Memory for Video World Models

视频世界模型的可寻址内存

Xindi Wu, Sven Elflein, James Lucas, Olga Russakovsky, Laura Leal-Taixé, Despoina Paschalidou, Jonathan Lorraine, Aljoša Ošep

机构 * NVIDIA（英伟达）； Princeton University（普林斯顿大学）； University of Toronto（多伦多大学）； Vector Institute（矢量研究院）

AI总结针对交互式视频世界模型超出训练时序后内存寻址失效及压缩缓存破坏内存的问题，提出无训练框架 WorldTrace，含两种压缩方法，在新基准 LoopBench 上分别提升时序一致性 15.5%、情景回忆 19.5%。

Comments Project page: https://research.nvidia.com/labs/sil/projects/WorldTrace/

2608.07385 2026-08-10 cs.LG cs.AI eess.AS eess.SP stat.ML 新提交

Omni-modal decomposition autoencoders learn full-stack wearable disentangled representations

全模态分解自编码器学习全栈可穿戴解耦表示

Ioannis Ziogas, Ensieh Khazaei, Bilal Taha, Aamna Al Shehhi, Ahsan H. Khandoker, Leontios J. Hadjileontiadis, Dimitrios Hatzinakos

机构 * Khalifa University（哈利法大学）； University of Toronto（多伦多大学）； MIT Media Lab（麻省理工学院媒体实验室）； Aristotle University of Thessaloniki（亚里士多德大学）

AI总结该研究针对现有多模态可穿戴模型的不足，提出OmniDecVAEs框架，在30模态的HAR任务中，提升了识别准确率与数据合成质量，可用于边缘可穿戴与医疗领域。

Comments 15 pages, 7 figures, 7 tables

2608.06956 2026-08-10 cs.LG physics.chem-ph 新提交

How Molecular Generative Models Organize Molecular Identity

分子生成模型如何组织分子身份

Raul Ortega-Ochoa, Tejs Vegge, Jens S. Bakander, Luis Mantilla Calderon, Alan Aspuru-Guzik, Tonio Buonassisi

机构 * Toyota Research Institute（丰田研究所）； Technical University of Denmark（丹麦技术大学）； CAPeX Pioneer Center for Accelerating P2X Materials Discovery（CAPeX P2X材料发现加速先锋中心）； University of Toronto（多伦多大学）； Vector Institute for Artificial Intelligence（向量人工智能研究所）； NVIDIA（英伟达）； Massachusetts Institute of Technology（麻省理工学院）； Acceleration Consortium（加速联盟）

AI总结该研究通过明确分子身份并将其通过生成过程拉回，揭示了三种分子生成架构的内部储备呈分段常数区域，其组织受多种因素影响，需先表征内部组织才能将生成空间视为可化学导航。

Comments 22 pages (14 main text + 8 supporting information)

2603.15506 2026-08-10 cs.LG cs.AI 版本更新

Seeking SOTA: Time-Series Forecasting Must Adopt Taxonomy-Specific Evaluation to Dispel Illusory Gains

寻求SOTA：时间序列预测必须采用领域特定评估以消除虚幻收益

Raeid Saqur, Christoph Bergmeir, Blanka Horvath, Daniel Schmidt, Frank Rudzicz, Terry Lyons

机构 * Dept. of Computer Science, University of Toronto（多伦多大学计算机科学系）； Dept. of Data Science & AI, Monash University, Australia（澳大利亚墨尔本大学数据科学与人工智能系）； Faculty of Computer Science, Dalhousie University（达尔豪斯大学计算机科学学院）； Dept. of Mathematics, University of Oxford（牛津大学数学系）； Oxford-Man Institute for Quantitative Finance（牛津-曼彻斯特量化金融研究所）； Vector Institute（向量研究所）； Department of Computer Science and AI, University of Granada, Spain（西班牙格拉纳达大学计算机科学与人工智能系）； DaSCI, Andalucía, Spain（安达卢西亚DaSCI）

AI总结本文指出当前时间序列预测评估方法掩盖了真实进展，呼吁引入更广泛的非平稳性数据集并要求深度学习模型包含经典基线，以确保报告的改进反映真正的科学进步。

Comments v2 clarifies Transformer temporal-order claims, strengthens benchmark-selection and metric guidance, corrects point-forecast targets for MSE/MAE, improves aggregation/reporting recommendations, adds living-benchmark protocols, revises weather/evaluation wording, makes author emails clickable, and adds five supporting references