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

FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction

FAST：一种结合注意机制和状态空间模型的协同框架用于时空交通预测

Xinjin Li, Jinghan Cao, Mengyue Wang, Yue Wu, Longxiang Yan, Yeyang Zhou, Ziqi Sha, Yu Ma

机构 * Columbia University（哥伦比亚大学） ； San Francisco State University（旧金山州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 FAST结合注意机制和状态空间模型，提出了一种可扩展的时空交通预测框架，通过时空-时空架构和Mamba基的空模块，有效捕捉短期和长期时间模式及长距离传感器依赖，实验表明其在精度、可扩展性和泛化性上均优于现有方法。

Comments Accepted by ICME 2026

A short proof of near-linear convergence of adaptive gradient descent under fourth-order growth and convexity

适应性梯度下降在四阶增长和凸性下近线性收敛的简短证明

Damek Davis, Dmitriy Drusvyatskiy

机构 * Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（统计与数据科学系，沃顿商学院，宾夕法尼亚大学） ； Halicioğlu Data Science Institute, University of California, San Diego（Halicioğlu数据科学研究所，加州大学圣地亚哥分校） 纠错

AI总结 本文通过Lyapunov方法证明了在四阶增长和凸性条件下，适应性梯度下降具有近线性收敛性，并提出更高效的变体算法。

Can Cross-Layer Transcoders Replace Vision Transformer Activations? An Interpretable Perspective on Vision

视觉Transformer激活能否被跨层解码器替代？从可解释性的视角看视觉

Gerasimos Chatzoudis, Konstantinos D. Polyzos, Zhuowei Li, Difei Gu, Gemma E. Moran, Hao Wang, Dimitris N. Metaxas

机构 * Rutgers University（罗格斯大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出跨层解码器作为视觉Transformer中MLP块的可解释性替代方案，通过线性分解提升模型可解释性，并在多个数据集上验证其有效性。

What to Say and When to Say it: Live Fitness Coaching as a Testbed for Situated Interaction

说什么和何时说：Live Fitness Coaching作为情境交互的测试平台

Sunny Panchal, Apratim Bhattacharyya, Guillaume Berger, Antoine Mercier, Cornelius Bohm, Florian Dietrichkeit, Reza Pourreza, Xuanlin Li, Pulkit Madan, Mingu Lee, Mark Todorovich, Ingo Bax, Roland Memisevic

机构 * TwentyBN GmbH（TwentyBN公司） ； Qualcomm AI Research（高通人工智能研究） ； Aignostics GmbH（Aignostics公司） ； UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出QEVD基准和数据集，研究人类与AI在健身指导中的情境交互，测试视觉语言模型在实时反馈中的能力，揭示现有模型的局限并提出异步流式基线方法。

Comments Accepted to the 2024 NeurIPS Datasets and Benchmarks track; Data: https://www.qualcomm.com/developer/software/qevd-dataset Dataset quick start guide: https://github.com/varworkshop/ai_coach_fitness_2026 and Stream-VLM code: https://github.com/Qualcomm-AI-research/FitCoach