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

CLSGen: A Dual-Head Fine-Tuning Framework for Joint Probabilistic Classification and Verbalized Explanation

CLSGen：一种用于联合概率分类和 verbalized 解释的双头微调框架

WonJin Yoon, Kangyu Zhu, Ian Bulovic, Autumn Sehy, Yanjun Gao, Dmitriy Dligach, Majid Afshar, Timothy A. Miller

机构 * Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； University of Colorado Anschutz Medical Campus（科罗拉多大学安施图茨医学院） ； Loyola University Chicago（芝加哥洛约拉大学） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 CLSGen 提出了一种双头微调框架，通过新的架构和方法实现概率估计与解释生成的平衡，实验表明其在分类和解释质量上优于现有基线。

Accelerating Transformer-Based Monocular SLAM via Geometric Utility Scoring

通过几何效用评分加速基于Transformer的单目SLAM

Xinmiao Xiong, Bangya Liu, Hao Wang, Dayou Li, Nuo Chen, Andrew Feng, Mingyu Ding, Suman Banerjee, Yang Zhou, Zhiwen Fan

机构 * UW–Madison（威斯康星大学麦迪逊分校） ； Texas A&M（德州农工大学） ； USC（南加州大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出LeanGate，通过预测几何效用评分在重特征提取前筛选帧，减少冗余计算，提升SLAM效率与准确性。

Shuffling the Data, Stretching the Step-size: Sharper Bias in constant step-size SGD

打乱数据，扩大步长：在固定步长SGD中更精确的偏倚

Konstantinos Emmanouilidis, Emmanouil-Vasileios Vlatakis-Gkaragkounis, Rene Vidal

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Archimedes Research Unit（阿基米德研究单位） 纠错

AI总结 本文研究了在有限和最小-最大优化问题中，通过随机重洗数据和Richardson-Romberg外推的组合，提升固定步长SGD的收敛性，提供理论保证和实验验证。

Comments Accepted in ICLR 2026 Conference

Unsupervised Domain Adaptation for Binary Classification with an Unobservable Source Subpopulation

无监督领域适应中的二分类问题：不可观测的源子群体

Chao Ying, Jun Jin, Haotian Zhang, Qinglong Tian, Yanyuan Ma, Sharon Li, Jiwei Zhao

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Henry Ford Health（亨利·福特健康） ； University of Connecticut（康涅狄格大学） ； University of Waterloo（滑铁卢大学） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 本文研究了在源域中存在不可观测子群体的无监督领域适应问题，提出通过分布匹配方法估计子群体比例，并理论保证了预测误差上界，实验表明方法在合成和真实数据集上优于传统基准。