Adobe

Refine Now, Query Fast: A Decoupled Refinement Paradigm for Implicit Neural Fields

细化现在，查询快速：一种用于隐式神经场的解耦细化范式

Tianyu Xiong, Skylar Wurster, Han-Wei Shen

机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Ohio State University（俄亥俄州立大学） ； Adobe（Adobe公司） 纠错

AI总结 本文提出了解耦表示细化（DRR）范式，通过解耦高容量神经网络与快速推理路径，提升隐式神经场的精度与速度，实验表明其在多个模拟数据集上达到最佳性能，推理速度比高保真基线快27倍。

Comments Accepted to ICLR 2026. Code available at https://github.com/xtyinzz/DRR-INR

Bringing Multi-Modal Multi-Task Federated Foundation Models to Education Domain: Prospects and Challenges

将多模态多任务联邦基础模型引入教育领域：前景与挑战

Kasra Borazjani, Naji Khosravan, Rajeev Sahay, Bita Akram, Seyyedali Hosseinalipour

机构 * University at Buffalo –SUNY, Department of Electrical Engineering（布法罗大学–纽约州立大学，电气工程系） ； Adobe Research（Adobe研究） ； University of California – San Diego, Department of Electrical and Computer Engineering（加州大学圣地亚哥分校，电气与计算机工程系） ； NC State University, Department of Computer Science（北卡罗来纳州立大学，计算机科学系） 纠错

AI总结 本文提出多模态多任务联邦基础模型（FedFMs）用于教育领域，旨在解决隐私保护、个性化和公平性问题，同时探讨未来研究方向和开放挑战。

Comments 12 pages, 2 figures

Journal ref Frontiers in Artificial Intelligence, 2025

Redefining non-IID Data in Federated Learning for Computer Vision Tasks: Migrating from Labels to Embeddings for Task-Specific Data Distributions

重新定义联邦学习中计算机视觉任务的非独立同分布数据：从标签迁移到嵌入以定义任务特定的数据分布

Kasra Borazjani, Payam Abdisarabshali, Naji Khosravan, Seyyedali Hosseinalipour

机构 * Department of Electrical Engineering, University at Buffalo–SUNY（布法罗大学电气工程系） ； Adobe Firefly 纠错

AI总结 本文提出通过任务特定嵌入定义数据异质性，评估不同联邦学习方法在非iid数据下的性能，发现嵌入异质性可使FedAvg的损失增加60%。

Comments Accepted for publication in IEEE Transactions on Artificial Intelligence, 2026