University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）

MOSAIC: Orchestrating Collaborative Knowledge Tracing with Hierarchical Semantic Alignment

MOSAIC: 通过层次语义对齐编排协作知识追踪

Xinjin Li, Mengyue Wang, Yuzhen Lin, Pengbin Feng, Ziqi Sha, Yeyang Zhou, Yu Ma

机构 * Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） ； School of Information Systems and Management, Carnegie Mellon University（信息系统与管理学院，卡内基梅隆大学） ； Department of Mathematics, University of Southern California（数学系，南加州大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Computer Science Department, UC San Diego（计算机科学系，UCSD） 纠错

AI总结 提出MOSAIC框架，利用冻结LLM生成动态嵌入和层次预测提示，结合跨粒度一致性目标，在协作知识追踪中实现多粒度掌握估计，在多个数据集上取得SOTA。

Robustness and Structure Preservation in Flow-Based Generative Models via Wasserstein Path-Space Divergences

具有对称性的分数基于生成模型可证明高效学习具有对称性的分布

Ziyu Chen, Markos A. Katsoulakis, Benjamin J. Zhang

机构 * Department of Mathematics and Statistics（数学与统计学系） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Division of Applied Mathematics（应用数学系） ； Brown University（布朗大学） 纠错

AI总结 本文首次理论分析了分数基于生成模型在学习具有对称性的分布时的性能保障，并比较了数据增强与添加等价诱导偏差的效果。

Comments 40 pages

A Deterministic Sampling Method via Maximum Mean Discrepancy Flow with Adaptive Kernel

通过最大均值差异流的确定性采样方法

Yindong Chen, Yiwei Wang, Lulu Kang, Chun Liu

机构 * Illinois Institute of Technology（伊利诺伊理工学院） ； University of California, Riverside（加州大学河滨分校） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出EVI-MMD方法，通过最小化核差异近似目标分布，采用能量变分推断框架和隐式欧拉方案解决ODE动态系统，动态选择高斯核带宽提升性能，应用于密度指定和两样本问题。

Comments 31 pages, 10 figures