University of California, San Diego（加州大学圣迭戈分校）

Sparse Bayesian Learning Algorithms Revisited: From Learning Majorizers to Structured Algorithmic Learning using Neural Networks

稀疏贝叶斯学习算法再审视：从学习majorizers到利用神经网络进行结构化算法学习

Rushabha Balaji, Kuan-Lin Chen, Danijela Cabric, Bhaskar D. Rao

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文重新审视稀疏贝叶斯学习算法，通过majorization-minimization原理推导主流算法并提供收敛保证，同时结合深度学习扩展SBL算法类别，提出能超越传统方法的新型架构。

Reward-Forcing: Autoregressive Video Generation with Reward Feedback

基于奖励的强制：利用奖励反馈的自回归视频生成

Jingran Zhang, Ning Li, Yuanhao Ban, Andrew Bai, Justin Cui

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出一种利用奖励信号指导生成的自回归视频生成方法，提升了生成效率和可扩展性，实验表明其性能与现有自回归模型相当，甚至在某些情况下超越了双向模型。

Comments https://openreview.net/forum?id=K8Qjsxxl7y&noteId=K8Qjsxxl7y

Steering Autoregressive Music Generation with Recursive Feature Machines

通过递归特征机操控自回归音乐生成

Daniel Zhao, Daniel Beaglehole, Taylor Berg-Kirkpatrick, Julian McAuley, Zachary Novack

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 本文提出MusicRFM框架，利用递归特征机实现对预训练音乐模型的细粒度可控生成，通过引导内部激活实现高质量音乐生成与提示忠实性平衡。