University of California, Los Angeles（加州大学洛杉矶分校）

The Effect of Training Task Diversity on In-Context Learning through the Lens of Low-Dimensional Subspaces

训练任务多样性对上下文学习的影响：基于低维子空间的视角

Soo Min Kwon, Alec S. Xu, Can Yaras, Dogyoon Song, Laura Balzano, Qing Qu

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本文通过低秩高斯混合模型分析训练任务多样性（由子空间非重叠列数定义）如何提升线性注意力上下文学习的泛化与优化，解释训练多样性缩短学习平台期及实现分布外泛化的现象，并扩展至非线性场景。

Rapid co-design of Buoyancy-assisted robots for Challenging Locomotion using Gaussian Evolutionary Specialists

基于高斯进化专家的浮力辅助机器人快速协同设计以应对挑战性运动

Ankit Sinha, Nitish Sontakke, Dennis Hong, Yusuke Tanaka, Sehoon Ha

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出高斯进化专家（GES）框架，通过解耦设计空间划分与策略学习，在浮力辅助轻量腿单元（BALLU）上实现5-25%性能提升，并缩短37%设计优化时间。

Comments Submitted to RA-L

Mitosis Detection in the Wild: Multi-Tumor and Context-Aware Generalization in the MIDOG 2025 Challenge

野外有丝分裂检测：MIDOG 2025挑战中的多肿瘤与上下文感知泛化

Marc Aubreville, Jonas Ammeling, Sweta Banerjee, Viktoria Weiss, Taryn A. Donovan, Robert Klopfleisch, Jiaqi Lv, Shan E Ahmed Raza, Raphaël Bourgade, Thomas Walter, Yasemin Topuz, Songül Varlı, Charles-Antoine Collins-Fekete, Zhuoyan Shen, Navya Sri Kelam, Nitin Singhal, Christian Marzahl, Brian Napora, Tengyou Xu, Hongyan Gu, Mario Vento, Gennaro Percannella, Norbert Ropiak, Izabela Wasiak, Jie Xiao, Shaojun Liu, Seungho Choe, April Khademi, Vidushi Walia, Sujatha Kotte, Andrew Broad, Alex Wright, Guillaume Balezo, Esha Sadia Nasir, Mostafa Jahanifar, Yosuke Yamagishi, Shouhei Hanaoka, Mattia Sarno, Francesco Tortorella, Biwen Meng, Jingxin Liu, Sara Krauss, Daniel Hieber, Lavish Ramchandani, Dev Kumar Das, Mieko Ochi, Yuan Bae, Piotr Giedziun, Mateusz Maniewski, Vangala Govindakrishnan Saipradeep, Naveen Sivadasan, Leire Benito-Del-Valle, Adrian Galdran, Kaustubh Atey, Sameer Anand Jha, Adinath Dukre, Imran Razzak, Maxime W. Lafarge, Viktor H. Koelzer, Nils Porsche, Nikolas Stathonikos, Mitko Veta, Dominik Hirling, Zsanett Zsófia Iván, Peter Horvath, Katharina Breininger, Christof A. Bertram

机构 * Flensburg University of Applied Sciences（弗劳恩霍夫应用科技大学） ； Technische Hochschule Ingolstadt（施特拉尔松德应用技术大学） ； University of Veterinary Medicine（兽医大学） ； Schwarzman Animal Medical Center（施瓦茨曼动物医学中心） ； Freie Universität Berlin（柏林自由大学） ； University of Warwick（沃里克大学） ； MINES Paris - PSL University（巴黎综合理工学院） ； Yildiz Technical University（耶利泽技术大学） ； University College London（伦敦大学学院） ； AIRA MATRIX Private Limited（AIRA MATRIX 私人有限公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Kansas Medical Center（堪萨斯医学中心） ； University of Salerno（萨勒诺大学） ； Cancer Center Sp. z o. o.（癌症中心） ； th Military Research Hospital in Bydgoszcz（比多日茨军医研究所） ； Shenzhen Technology University（深圳技术大学） ； Toronto Metropolitan University（多伦多 Metropolitan 大学） ； Tata Consultancy Services Ltd.（塔塔咨询有限公司） ； Leeds Teaching Hospitals NHS Trust（利兹教学医院 NHS信托） ； The University of Tokyo（东京大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学-利物浦大学） ； University of Augsburg（奥格斯堡大学） ； Ulm University（乌尔姆大学） ； Japanese Red Cross Medical Center（日本红十字医疗中心） ； Wroclaw University of Science and Technology（沃拉日市科学与技术大学） ； TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟（BRTA）） ； Indian Institute of Technology Bombay（孟买印度理工学院） ； MBZUAI ； University of Basel（巴塞尔大学） ； University Medical Center Utrecht（乌得勒支大学医学中心） ； TU Eindhoven（埃因霍温理工大学） ； HUN-REN Biological Research Centre（匈牙利-人生物研究中心） 纠错

AI总结 针对临床实际中组织学多样性的挑战，MIDOG 2025挑战评估了跨12种肿瘤类型和多种扫描平台的算法性能，发现模型在传统热点区域表现可靠，但在困难区域和罕见肿瘤中性能显著下降，集成方法可提升F1分数1.5个百分点。

Implicit Neural Optimal Transport via Fixed-Point Optimization

通过不动点优化的隐式神经最优传输

Yesom Park, Eric Gelphman, Stanley Osher, Samy Wu Fung

机构 * Department of Mathematics, University of California, Los Angeles（加州大学洛杉矶分校数学系） ； Department of Applied Mathematics and Statistics, Colorado School of Mines（科罗拉多矿业学院应用数学与统计系） 纠错

AI总结 提出隐式神经最优传输公式，通过单个势函数和近端不动点问题避免对抗训练，实现稳定高效的单网络框架，同时恢复前向和后向传输映射。

Comments 37 pages, submitted to SIAM Journal on Mathematical Data Science (currently under review)

Modality Gap-Driven Subspace Alignment Training Paradigm For Multimodal Large Language Models

模态间隙驱动的子空间对齐训练范式用于多模态大语言模型

Xiaomin Yu, Yi Xin, Yuhui Zhang, Wenjie Zhang, Chonghan Liu, Hanzhen Zhao, Chen Liu, Xiaoxing Hu, Ziyue Qiao, Hao Tang, Xiaobin Hu, Chengwei Qin, Hui Xiong, Yu Qiao, Shuicheng Yan

机构 * HKUST(GZ)（香港科技大学（广州）） ； NUS（新加坡国立大学） ； sh AILab ； SII ； Stanford（斯坦福大学） ； UCLA（加州大学洛杉矶分校） ； Yale（耶鲁大学） ； SJTU（上海交通大学） ； GBU（国防大学） ； PKU（北京大学） 纠错

AI总结 针对多模态对比学习中的模态间隙问题，提出固定帧模态间隙理论，并基于该理论设计无训练的对齐策略ReAlign和可扩展训练范式ReVision，利用无配对数据实现视觉与语言表示的高效对齐。

One Loss to Rule Them All: Marked Time-to-Event for Structured EHR Foundation Models

一个损失统治一切：结构化EHR基础模型的标记时间到事件

Zilin Jing, Vincent Jeanselme, Yuta Kobayashi, Simon A. Lee, Chao Pang, Aparajita Kashyap, Yanwei Li, Xinzhuo Jiang, Shalmali Joshi

机构 * Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Biomedical Informatics, Columbia University（哥伦比亚大学生物医学信息学系） ； Department of Computational Medicine, UCLA（洛杉矶大学计算医学系） ； Formation Bio 纠错

AI总结 提出ORA预训练目标，联合建模事件时间和关联测量，相比下一词预测和忽略连续测量的损失，在多个数据集和下游任务上产生更通用的表示，提升回归和时间到事件预测能力。