University of Southern California（南加州大学）

Topological Simplification in Predictive Coding Networks

预测编码网络中的拓扑简化

Adam Shaw, Jiayu Li, Michael Sperling, Michael Kim, Alvin Jin

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

AI总结 该研究用分层持续同调分析，发现预测编码网络（PCNs）的模型规模、简化深度与重构误差、架构类型影响其连通分量合并时机，揭示了PCNs压缩-重构权衡的相关规律。

Comments Accepted to the 2nd Annual Conference on Topology, Algebra, and Geometry in Data Science (TAG-DS 2026); to appear in Proceedings of Machine Learning Research

TabletCraft: Bridging a 4,000-Year Cultural Gap with Bidirectional Akkadian NMT and Cuneiform Rendering

TabletCraft：通过双向阿卡德语神经机器翻译（NMT）与楔形文字渲染弥合4000年的文化鸿沟

Zhaohui Wang

机构 * University of Southern California（南加州大学） ； USC Viterbi School of Engineering（南加州大学维特比工程学院） 纠错

AI总结 TabletCraft是首个支持美索不达米亚文字双向交互的开源系统，整合ByT5翻译模型等组件，实现阿卡德语与英语双向翻译及楔形文字渲染，在阿卡德米亚验证集上取得反向翻译的首个定量结果。

Comments 5 pages, 1 figure. Accepted to C3NLP @ ACL 2026

JigShape: Evaluating Visual-Geometric Reasoning in VLMs through Jigsaw Puzzles

JigShape：通过拼图任务评估视觉语言模型的视觉几何推理能力

Shawn Li, Wei Yang, Jike Zhong, Jiate Li, Jiawei Yang, You Qin, Ryan Rossi, Franck Dernoncourt, Roger Zimmermann, Yue Wang, Zhengzhong Tu, Vicente Ordonez, Mohit Bansal, Yue Zhao

机构 * University of Southern California（南加州大学） ； National University of Singapore（新加坡国立大学） ； Adobe Research（奥多比研究院） ； Texas A&M University（德克萨斯农工大学） ； Rice University（莱斯大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本研究提出JigShape拼图基准，发现零样本VLM大多缺乏几何推理能力，所有模型在大尺寸拼图上均出现性能崩塌，将可扩展几何推理确立为VLM的开放性挑战。

NOVA: Fundamental Limits of Knowledge Discovery Through AI

NOVA：通过人工智能进行知识发现的基本限制

Salman Avestimehr, Ken Duffy, Muriel Médard

机构 * University of Southern California（南加州大学） ； Northeastern University（东北大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出NOVA框架，将“生成-验证-积累-再训练”循环建模为知识空间上的自适应采样过程，识别了知识覆盖有限域的条件及失败模式，并证明了发现成本与Zipf定律相关的标度律。

Comments Added an explicit recursive retraining model showing how accepted outputs reshape future generation. New results characterize when repeated retraining suppresses undiscovered artifacts and when mixing updates with a fixed base distribution preserves exposure. Corrected the Zipf discovery-cost proof and expanded the analysis. Main results and implications remain unchanged