University of Washington（华盛顿大学）

R-SLPR: Region-based Small-to-Large Point-cloud Registration with Contrastive Learning

R-SLPR：基于区域的小到大点云配准对比学习框架

Yusen Wan, Zeyuan Chen, Qianshi Zou, Xu Chen

机构 * University of Washington（华盛顿大学） 纠错

AI总结 针对小到大尺度不匹配的点云配准难题，提出R-SLPR三阶段框架，结合斐波那契网格分割与对比学习，在ModelNet40上实现最优精度，大幅降低位置和旋转MAE。

Early Verdicts, Better Budgets: Sequential Adaptive Rollout Allocation for Compute-Efficient RLVR

早期判定与更优预算：面向计算高效RLVR的序贯自适应rollout分配

Pixel Nomand, Elena Voss, Marcus Hale, Sofia Reyes

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Washington（华盛顿大学） 纠错

AI总结 针对RLVR中饱和组导致的rollout浪费问题，提出SARA方法，通过序贯分配规则减少rollout用量，在1.5B/3B模型上实现高效计算的同时保持性能。

Directional Influence Function: Estimating Training Data Influence in Constrained Learning

方向影响函数：估计约束学习中的训练数据影响

Xin Wang, R. Tyrrell Rockafellar, Xuegang, Ban

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究约束学习中训练数据对模型解的影响，提出方向影响函数（DIF），将约束学习最优性条件表述为变分不等式，在约束线性回归和公平性约束的卷积神经网络上验证，结果表明DIF是约束学习中数据归因的有效可靠工具。

Comments Need revision

Balancing Privacy and Efficiency: Music Information Retrieval via Additive Homomorphic Encryption

平衡隐私与效率：基于加法同态加密的音乐信息检索

William Zerong Wang, Dongfang Zhao

机构 * University of Washington（华盛顿大学） 纠错

AI总结 该研究提出基于加法同态加密的音乐检索方法，实现音乐专用推理攻击量化、结构感知加法原语优化，在四组音频数据集上验证其兼具隐私性与高效扩展性。