Scalable Derivative Gaussian Processes via Exact Gradient Reduction
可扩展的导数高斯过程通过精确梯度约简
机构 * Department of Statistics University of Wisconsin–Madison（统计学系威斯康星大学麦迪逊分校）
AI总结 提出TERA方法，利用精确梯度约简将导数高斯过程的计算复杂度从O(n^3 d^3)降至O(d m^2 + m^6)，实现高维空间中的可扩展推理。
高校专区
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
GeoDrive-Bench: Benchmarking Region-Specific Multimodal Reasoning in Autonomous Driving
GeoDrive-Bench：自动驾驶中区域特定多模态推理的基准测试
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 提出GeoDrive-Bench基准，通过5053个跨六国人工验证的多选题，评估视觉语言模型在感知、预测、规划和区域推理四个驾驶任务中基于区域特定交通规则的推理能力，并设计蒸馏算法注入区域知识以提升模型性能。
Lean-GAP: A Dataset of Formalized Graduate Algebra Problems
Lean-GAP：形式化研究生代数问题数据集
机构 * University of California, Berkeley（加州大学伯克利分校） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Hanyang University（翰阳大学） ； Hufs University（Hufs大学） ； Sungkyunkwan University（成均馆大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Sejong University（世宗大学） ； University of Connecticut（康涅狄格大学）
AI总结 本文提出Lean-GAP数据集，包含430个来自Dummit和Foote《抽象代数》的形式化研究生代数问题，并开发了从PDF预处理到自动形式化再到验证的可扩展流水线。
Cryo-Bench: Benchmarking Foundation Models for Cryosphere Applications
Cryo-Bench：面向冰冻圈应用的基础模型基准测试
机构 * Center for Sustainability and the Global Environment (SAGE), University of Wisconsin–Madison（可持续性与全球环境中心（SAGE），威斯康星大学麦迪逊分校） ； Portsmouth AI and Data Science Centre (PAIDS), School of Computing, University of Portsmouth（波特茅斯人工智能与数据科学中心（PAIDS），计算学院，波特茅斯大学） ； ESA, ESRIN, φ \varphi -lab, Frascati（欧洲航天局（ESA），欧洲空间研究中心（ESRIN），φ实验室，弗拉斯卡蒂）
AI总结 提出Cryo-Bench基准，评估14个地理基础模型在冰冻圈关键组件（如冰川、冰湖、海冰等）上的性能，发现UNet在冻结编码器下平均mIoU最高（66.38），而全微调结合学习率调整可提升性能12.77%。
Low-Resolution Editing is All You Need for High-Resolution Editing
低分辨率编辑足以实现高分辨率编辑
机构 * ECE & IPAI, Seoul National University（电子与信息物理学院及首尔国立大学IPAI） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出一种测试时优化框架，通过分块优化、细节迁移和同步策略，实现高分辨率图像编辑。
Comments CVPR 2026. Project website: https://hleephilip.github.io/ScaleEdit
Test-Time Optimization of Physical Query Plans with LLMs
基于LLM的物理查询计划测试时优化
机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； TogetherAI ； Bauplan
AI总结 提出DBPlanBench框架，利用LLM在测试时通过语义推理和进化搜索优化物理查询计划，在OLAP查询中实现1.05-1.12倍中位数加速，并支持小规模到大规模的迁移。
Comments Code is available at: https://github.com/BauplanLabs/DBPLANBENCH
Low-Rank Curvature for Zeroth-Order Optimization in LLM Fine-Tuning
低秩曲率用于大语言模型微调中的零阶优化
机构 * University of Wisconsin – Madison（威斯康星大学麦迪逊分校） ； University of Georgia（佐治亚大学） ； Hanyang University（翰阳大学）
AI总结 提出LOREN方法，通过低秩块对角预条件器捕捉曲率并利用REINFORCE留一法梯度估计器降低方差，在LLM微调中实现更高精度和更快收敛，同时峰值内存使用降低27.3%。
Comments Accepted to the AAAI Conference on Artificial Intelligence (AAAI-2026)
MAC: An Efficient Gradient Preconditioning using Mean Activation Approximated Curvature
MAC：一种使用平均激活近似曲率的高效梯度预条件方法
机构 * University of Wisconsin – Madison（威斯康星大学麦迪逊分校） ； University of Georgia（佐治亚大学） ； Hanyang University（翰阳大学）
AI总结 提出MAC方法，通过近似KFAC中Fisher信息矩阵的Kronecker因子，降低二阶优化计算负担，并首次将Kronecker分解应用于Transformer注意力层，在多种网络和数据集上优于KFAC等现有方法。
Comments Accepted to the IEEE International Conference on Data Mining (ICDM-2025)
