University of Texas at Austin（得克萨斯大学奥斯汀分校）

Adaptive Signal Resuscitation: Channel-wise Post-Pruning Repair for Sparse Vision Networks

自适应信号复苏：用于稀疏视觉网络的通道级后剪枝修复

Qishi Zhan, Ziheng Chen, Minxuan Hu

机构 * Department of Mathematical and Statistical Sciences, Marquette University（马歇尔大学数学与统计科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cornell Ann S. Bowers College of Computing and Information Science, Cornell University（康奈尔大学安·S·博尔斯计算与信息科学学院） 纠错

AI总结 本文提出了一种无需训练的通道级修复方法ASR，用于解决高稀疏度下因后剪枝修复粒度不匹配导致的精度下降问题，通过估计每个输出通道的方差匹配修正并结合数据驱动的收缩规则，提升稀疏视觉网络的性能。

Sliced-Regularized Optimal Transport

切片正则化最优传输

Khai Nguyen

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种新的正则化最优传输（OT）方法，称为切片正则化最优传输（SROT）。与熵正则化最优传输（EOT）不同，SROT将正则化方向指向平滑的切片最优传输（SOT）计划。我们提供了SROT的正式定义，推导了其对偶形式，并提供了SROT的后贝叶斯解释。然后，我们开发了一种类似Sinkhorn的算法，以高效计算，保留与EOT相同的可扩展性优势。通过将可扩展的SOT计划作为先验，SROT在相同正则化水平下比EOT更准确地近似了精确的OT计划。此外，所得到的传输计划优于参考的SOT计划本身。我们还引入了由SROT引起的相应的OT分歧度，称为SROT分歧度，并分析了其拓扑和计算性质。最后，我们通过合成数据集和颜色传输任务的实验验证了我们的方法，证明SROT在近似精确OT方面优于EOT和SOT。额外的梯度流实验进一步突显了SROT分歧度的优势。

Comments 22 pages, 8 figures, 1 table

AVSD: Adaptive-View Self-Distillation by Balancing Consensus and Teacher-Specific Privileged Signals

AVSD：通过平衡共识和教师特定的特权信号实现自适应视图自蒸馏

Duy Nguyen, Hanqi Xiao, Archiki Prasad, Zaid Khan, Anirban Das, Austin Zhang, Sambit Sahu, Hyunji Lee, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Capital One（Capital One公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出AVSD，一种通过平衡共识和教师特定的特权信号来实现自适应视图自蒸馏的方法，以解决自蒸馏中教师和学生信息不对称和特权信息选择的问题。

Comments Code: https://github.com/duykhuongnguyen/AVSD

Charon: A Unified and Fine-Grained Simulator for Large-Scale LLM Training and Inference

Charon：一种用于大规模大语言模型训练和推理的统一且细粒度模拟器

Mengtian Yang, Zhekun Zhang, Mingheng Wu, Jianwen Yan, Hanshi Sun, Li-wen Chang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出Charon模拟器，通过统一、模块化和细粒度的方法，准确预测大语言模型性能，实验显示其在不同模型和配置上具有高精度，预测误差低于5.35%，并在实际推理部署中发现提升系统吞吐量的配置，展示了其实际价值。

Comments Accepted by MLSys 2026

Clinically-Informed Modeling for Pediatric Brain Tumor Classification from Whole-Slide Histopathology Images

基于临床信息的儿童脑肿瘤全切片病理图像分类建模

Joakim Nguyen, Jian Yu, Jinrui Fang, Nicholas Konz, Tianlong Chen, Sanjay Krishnan, Chandra Krishnan, Ying Ding, Hairong Wang, Ankita Shukla

机构 * Dept. of Computer Science（计算机科学系） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； School of Information（信息学院） ； Dell Children's Medical Center（德尔儿童医学中心） ； Dept. of OREI（OREI部门） ； University of Nevada, Reno（内华达大学里诺分校） 纠错

AI总结 本文提出一种结合临床信息的对比学习框架，用于在有限数据和类别不平衡条件下提高儿童脑肿瘤全切片图像的细粒度分类性能。

Comments Accepted at the IEEE International Conference on Healthcare Informatics (ICHI), 2026

TRAM: Test-Time Risk Adaptation with Mixture of Agents

TRAM: 测试时风险适应与代理混合

Mohamad Fares El Hajj Chehade, Amrit Singh Bedi, Amy Zhang, Hao Zhu

机构 * UT Austin（得克萨斯大学） ； University of Central Florida（中央佛罗里达大学） ； MIT（麻省理工学院） ； UMD（大学公园分校） 纠错

AI总结 本文研究了在部署时无需更新的零更新适应问题，提出TRAM方法通过混合代理评估源策略的风险调整分数，以降低部署风险并保持奖励。

Computational-Statistical Trade-off in Kernel Two-Sample Testing with Random Fourier Features

核两样本检验中计算与统计的权衡：随机傅里叶特征

Ikjun Choi, Ilmun Kim

机构 * Department of Statistics and Data Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校统计与数据科学系） ； Department of Mathematical Sciences, KAIST（韩国科学技术院数学科学系） 纠错

AI总结 本文研究了使用随机傅里叶特征近似MMD检验在计算复杂度与统计功效之间的权衡，证明通过合理选择随机特征数量可以在亚二次时间内达到与MMD检验相同的最小最大分离率。