University of Southern California（南加州大学）

Causal Discovery in Equal Variance Linear Gaussian DAGs via SURE-Tuned Ridge Regression

通过SURE调优的岭回归实现等方差线性高斯有向无环图的因果发现

Sambit Mishra, Urbashi Mitra

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

AI总结 针对因果发现中连续优化方法难以适配样本有限、计算有限场景的问题，提出SURE-Ridge方法，在小样本下结构汉明距离最低且所有样本量下运行时间最短。

Comments 5 Pages, 3 Figures. Accepted at 60th Asilomar Conference on Signals, Systems, and Computers 2026

Convergent Evolution: How Different Language Models Learn Similar Number Representations

趋同进化：不同语言模型如何学习相似的数字表示

Deqing Fu, Tianyi Zhou, Mikhail Belkin, Vatsal Sharan, Robin Jia

机构 * University of Southern California（南加州大学） ； UC San Diego（圣地亚哥大学） 纠错

AI总结 研究探讨了不同语言模型如何通过不同训练信号学习相似的数字表示，揭示了特征学习中的趋同进化现象。

Comments COLM 2026

Optimizing Container Loading and Unloading through Dual-Cycling and Dockyard Rehandle Reduction Using a Hybrid Genetic Algorithm

采用混合遗传算法通过双循环与码头堆场翻箱减少优化集装箱装卸

Md. Mahfuzur Rahman, Md Abrar Jahin, Md. Saiful Islam, M. F. Mridha

机构 * Department of Industrial Engineering and Management（工业工程与管理系） ； Thomas Lord Department of Computer Science（托马斯·劳德计算机科学系） ； Viterbi School of Engineering, University of Southern California (USC)（范伯格工程学院，南加州大学（USC）） ； Department of Computer Science（计算机科学系） ； American International University-Bangladesh (AIUB)（美国国际大学-孟加拉国（AIUB）） 纠错

AI总结 本文针对港口集装箱装卸优化的NP难问题，提出QCDC-DR-GA混合遗传算法，整合岸桥双循环与码头堆场翻箱优化，可使大型船舶作业时间减少15-20%，提升港口运营效率且无需额外基础设施投资。

HeteRo-Select: Informativeness as the Participation Driver in Heterogeneous Federated Learning

HeteRo-Select: 信息量作为异构联邦学习中的参与驱动因素

Md. Akmol Masud, Md Abrar Jahin, Mahmud Hasan

机构 * Queen’s University（皇后大学） ； University of Southern California（南加州大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 提出HeteRo-Select框架，用客户端信息量分数替代带宽驱动压缩，联合决定客户端选择、压缩比和聚合权重，降低异构性并减少流量，在CIFAR-10上实现1.78倍加速和18.2%流量减少。

Comments IEEE ICDM (November 12-15, 2026), Shenyang, China. 10 pages, 7 figures

Vision Transformers for End-to-End Quark-Gluon Jet Classification from Calorimeter Images

用于量能器图像中夸克-胶子喷注端到端分类的视觉Transformer

Md Abrar Jahin, Shahriar Soudeep, Arian Rahman Aditta, M. F. Mridha, Nafiz Fahad, Md. Jakir Hossen

机构 * University of Southern California American International University-Bangladesh Khulna University of Engineering \& Technology Multimedia University 纠错

AI总结 本研究以2012年CMS开放数据为基础，系统评估ViT及ViT-CNN混合模型，发现其在夸克-胶子喷注分类任务中优于CNN基线，建立了相关系统框架与基准。

Comments Accepted in Third International Workshop on Generalizing from Limited Resources in the Open World Workshop at International Joint Conference on Artificial Intelligence (IJCAI) 2025