University of Southern California（南加州大学）

Predicting Brain Morphometry with MT-GNN: Mesh Evolution in Continuous Time with Graph-Based Metric Tensor Embeddings

用MT-GNN预测脑形态测量：基于图度量张量嵌入的连续时间网格演化

Hao Ding, Daniel Semchin, Paul M. Thompson, Boris Gutman

机构 * Illinois Institute of Technology（伊利诺伊理工学院） ； University of Southern California（南加州大学） 纠错

AI总结 该研究提出MT-GNN模型，通过图网络预测连续时间内皮层下结构的度量张量，经ADNI数据集验证，其网格演化预测性能优于DCM、TransforMesh等基准方法。

SAFECAST: Robust Failure Detection for VLA Policies with Contrast-Set Training and Calibration

SAFECAST：结合对比集训练与校准的VLA策略鲁棒故障检测

Harshitha Rajaprakash, Aditeya Prajapati, Rong Xue, Abrar Anwar, Jesse Thomason

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

AI总结 SAFECAST 借助对比集扰动优化隐状态探测器训练与校准，在真实和模拟实验中显著提升 VLA 策略故障检测 ROC-AUC，且视觉与语言对比集扰动结合时效果最优。

Spend Bits Where Queries Look: KV Cache Vector Quantization with Attention-Preserving Transforms

将比特分配至查询关注处：基于注意力保留变换的KV缓存向量量化

Samuel Fernández-Menduiña, Amir Ziashahabi, Eduardo Pavez, Antonio Ortega, Salman Avestimehr

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

AI总结 本文提出名为NOVA-KV的KV缓存量化方法，将其建模为变换编码问题，推导闭式最优变换，在每元素2比特时可恢复标量量化方法损失的大部分长上下文检索精度。

Latent Denoising Improves Visual Alignment in Large Multimodal Models

潜在去噪提升大多模态模型的视觉对齐

Dhruv Parikh, Jacob Fein-Ashley, Rajgopal Kannan, Viktor Prasanna

机构 * University of Southern California（南加州大学） ； DEVCOM ARL Army Research Office（DEVCOM ARL陆军研究办公室） 纠错

AI总结 本文提出通过潜在去噪框架改进大多模态模型的内部视觉特征对齐和多模态理解，采用掩码和高斯噪声混合腐蚀视觉token，并利用解码器恢复教师特征，提升模型在分布偏移下的鲁棒性。

Comments ACM MM 2026

Wedge Sampling: Efficient Tensor Completion with Nearly-Linear Sample Complexity

楔形采样：具有近线性样本复杂性的高效张量补全

Hengrui Luo, Anna Ma, Ludovic Stephan, Yizhe Zhu

机构 * Rice University（里士满大学） ； University of California, Irvine（加州大学尔湾分校） ； Univ Rennes, Ensai, CNRS, CREST-UMR 9194（里昂大学，Ensai，CNRS，CREST-UMR 9194） ； University of Southern California（南加州大学） 纠错

AI总结 提出楔形采样非自适应方案，通过结构化长度二模式（楔形）分配观测，在均匀采样稀疏时增强谱信号，实现近线性样本复杂度的张量补全。

Comments 88 pages, 5 figures. Includes new results on noisy tensor completion