University of Southern California（南加州大学）

Why Softmax Attention Outperforms Linear Attention

为何Softmax注意力优于线性注意力

Yichuan Deng, Zhao Song, Kaijun Yuan, Tianyi Zhou

机构 * The University of Washington（华盛顿大学） ； Adobe Research（Adobe研究） ； University of Bologna（博洛尼亚大学） ； University of Southern California（南加州大学） 纠错

AI总结 本文通过对比分析Softmax与线性注意力机制，揭示了Softmax在多数场景下性能更优的原因，探讨了两者在计算效率与性能间的权衡。

Data-Driven Influence Functions for Optimization-Based Causal Inference

数据驱动的影响函数用于基于优化的因果推断

Michael I. Jordan, Yixin Wang, Angela Zhou

机构 * Department of EECS and Statistics（电气工程与计算机科学系和统计学系） ； University of California, Berkeley（加州大学伯克利分校） ； Department of Statistics（统计学系） ； University of Michigan（密歇根大学） ； Department of Data Sciences and Operations（数据科学与运营系） ； University of Southern California, Marshall School of Business（南加州大学马歇尔商学院） 纠错

AI总结 本文研究了一种构造性算法，通过有限差分近似统计函数的Gâteaux导数，重点在于因果推断中出现的函数。研究概率分布未知但需从数据估计的情况，并探讨经验、数值和分析Gâteaux导数之间的关系。

Comments Revision

VLM4Rec: Multimodal Semantic Representation for Recommendation with Large Vision-Language Models

VLM4Rec：基于大视觉-语言模型的多模态语义表示推荐系统

Ty Valencia, Burak Barlas, Varun Singhal, Ruchir Bhatia, Wei Yang

机构 * University of Southern California（南加州大学） 纠错

AI总结 VLM4Rec通过语义对齐而非直接特征融合，提升多模态推荐性能，实验显示其优于原始视觉特征和融合方法。

Comments 13 pages, 4 figures, 1 table

HumDex: Humanoid Dexterous Manipulation Made Easy

HumDex: 人形机器人灵活操控的便捷实现

Liang Heng, Yihe Tang, Jiajun Xu, Henghui Bao, Di Huang, Yue Wang

机构 * USC Physical Superintelligence (PSI) Lab（USC物理超智能实验室） ； WorldEngine AI 纠错

AI总结 本文提出HumDex系统，通过IMU运动追踪和学习导向方法，实现人形机器人灵活操控的高效数据采集与精准执行。

A Statistical Approach for Modeling Irregular Multivariate Time Series with Missing Observations

一种用于具有缺失观测的不规则多变量时间序列的统计方法

Dingyi Nie, Yixing Wu, C. -C. Jay Kuo

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文提出通过提取时间无关的汇总统计量来处理不规则多变量时间序列中的缺失值，通过计算四个关键特征并结合标准分类器，在四个生物医学数据集上取得最佳性能，同时降低计算复杂度。

Comments Accepted for publication in APSIPA Transactions on Signal and Information Processing

Journal ref APSIPA Transactions on Signal and Information Processing, 15(1): 61-75, 2026

LowDiff: Efficient Diffusion Sampling with Low-Resolution Condition

LowDiff: 基于低分辨率条件的高效扩散采样

Jiuyi Xu, Qing Jin, Meida Chen, Andrew Feng, Yang Sui, Yangming Shi

机构 * Colorado School of Mines（科罗拉多矿学院） ； Independent Researcher（独立研究者） ； University of Southern California Institute for Creative Technologies（南加州大学创意技术研究所） ； Rice University（里士满大学） 纠错

AI总结 LowDiff通过级联方法生成逐步提升的高分辨率图像，利用统一模型逐步细化图像，实现更高效的扩散采样，提升生成效率和质量。

Comments 16 pages, 7 figures, 12 tables