University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Grounded Token Initialization for New Vocabulary in LMs for Generative Recommendation

为生成推荐系统中的新词汇提供基础性词 token 初始化

Daiwei Chen, Zhoutong Fu, Chengming Jiang, Haichao Zhang, Ran Zhou, Tan Wang, Chunnan Yao, Guoyao Li, Rui Cai, Yihan Cao, Ruijie Jiang, Fedor Borisyuk, Jianqiang Shen, Jingwei Wu, Ramya Korlakai Vinayak

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； LinkedIn Corporation（领英公司） ； Northeastern University（东北大学） ； University of California, Davis（加州大学戴维斯分校） 纠错

AI总结 本文提出GTI方法，通过在预训练嵌入空间中语义地初始化新词汇，提升生成推荐系统性能，优于传统均值初始化和辅助任务适应方法。

SafePLUG: Empowering Multimodal LLMs with Pixel-Level Insight and Temporal Grounding for Traffic Accident Understanding

SafePLUG: 通过像素级洞察和时间锚定赋能多模态大语言模型以理解交通事故

Zihao Sheng, Zilin Huang, Yansong Qu, Jiancong Chen, Yuhao Luo, Yen-Jung Chen, Yue Leng, Sikai Chen

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Purdue University（普渡大学） ； Google（谷歌） 纠错

AI总结 本文提出SafePLUG框架，通过像素级理解和时间锚定提升多模态大语言模型在交通事故分析中的能力，引入新数据集并实现区域问答、像素分割、时间事件定位等任务的高性能表现。

Comments The code, dataset, and model checkpoints will be made publicly available at: https://zihaosheng.github.io/SafePLUG

ModTrans: Translating Real-world Models for Distributed Training Simulator

ModTrans：用于分布式训练模拟器的现实世界模型翻译

Yi Lyu

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 ModTrans通过将现实世界模型转换为分布式训练模拟器输入，解决了现有模拟器无法导入真实模型的问题，降低了ML研究者的使用门槛。

Random Coordinate Descent on the Wasserstein Space of Probability Measures

在概率测度的Wasserstein空间上的随机坐标下降

Yewei Xu, Qin Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出随机坐标下降框架，针对Wasserstein流形优化问题，提出RWCD和RWCP方法，适用于复合目标，理论分析显示其在非凸、Polyak-Łojasiewicz及仿射凸条件下具有收敛性，实验表明在病态能量下比传统全梯度方法更高效。

Test-Time Scaling Makes Overtraining Compute-Optimal

测试时扩展使过训练计算最优

Nicholas Roberts, Sungjun Cho, Zhiqi Gao, Tzu-Heng Huang, Albert Wu, Gabriel Orlanski, Avi Trost, Kelly Buchanan, Aws Albarghouthi, Frederic Sala

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出Train-to-Test（T²）扩展定律，通过联合优化模型大小、训练token和推理样本数，在固定端到端预算下提升性能，发现考虑推理成本时最优预训练决策进入过训练区域，验证了其在现代部署中的有效性。

Learning with Incomplete Context: Linear Contextual Bandits with Pretrained Imputation

利用不完整上下文：预训练补全的线性上下文老虎机

Hao Yan, Heyan Zhang, Yongyi Guo

机构 * Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计系） 纠错

AI总结 研究如何在在线线性上下文老虎机中利用预训练模型补全缺失特征，提出PULSE-UCB算法并证明其 regret 保证。

A Comprehensive Graph Pooling Benchmark: Effectiveness, Robustness and Generalizability

图池化全面基准：有效性、鲁棒性和泛化性

Pengyun Wang, Junyu Luo, Yanxin Shen, Ming Zhang, Shaoen Qin, Hanwen Xing, Siyu Heng, Xiao Luo

机构 * University of Chicago（芝加哥大学） ； Peking University（北京大学） ； Nankai University（南开大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文构建了包含17种图池化方法和28个图数据集的全面基准，系统评估了图池化方法在有效性、鲁棒性和泛化性三方面的性能，通过不同任务和噪声攻击实验验证其强大能力。