Google（谷歌）

Good Token Hunting: A Hitchhiker's Guide to Token Selection for Visual Geometry Transformers

优质令牌狩猎：视觉几何变换器令牌选择指南

Shuhong Zheng, Michael Oechsle, Erik Sandström, Marie-Julie Rakotosaona, Federico Tombari, Igor Gilitschenski

机构 * University of Toronto & Vector Institute（多伦多大学及向量研究所） ； Google（谷歌） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 针对视觉几何变换器因全局注意力导致计算成本随序列长度平方增长的问题，提出一种两阶段令牌选择框架（帧间多样性选择+帧内层感知稀疏化），在加速85%以上同时保持或提升基线性能。

Comments Project Page: https://zsh2000.github.io/good-token-hunting.github.io, Code: https://github.com/zsh2000/gotohunt

Are Targeted Data Poisoning Attacks as Effective as We Think?

定向数据投毒攻击是否如我们想象中那么有效？

William Xu, Chenyu Zhang, Yihan Wang, Matthew Y. R. Yang, Zuoqiu Liu, Gautam Kamath, Yaoliang Yu, Yiwei Lu

机构 * Waabi AI ； University of Waterloo（滑铁卢大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Google（谷歌） ； Vector Institute（向量研究所） ； University of Ottawa（渥太华大学） 纠错

AI总结 本文通过识别最难和最容易投毒的样本，提出基于清洁模型信息的粗粒度与细粒度评估指标，以揭示定向投毒攻击的真实最坏情况效果，并支持主动防御。

Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior

自然主义计算认知科学：迈向能够捕捉自然行为全范围的通用模型与理论

Wilka Carvalho, Andrew Lampinen

机构 * Kempner Institute for the Study of Natural and Artificial Intelligence（Kempner自然与人工智能研究学院） ； Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文主张通过整合人工智能与认知科学，采用自然主义实验范式与计算模型，以构建能够泛化至自然情境与行为的通用理论。

Relevant Walk Search for Explaining Graph Neural Networks

用于解释图神经网络的相关游走搜索

Ping Xiong, Thomas Schnake, Michael Gastegger, Grégoire Montavon, Klaus-Robert Müller, Shinichi Nakajima

机构 * BIFOLD -- Berlin Institute for the Foundations of Learning（柏林学习与数据基础研究所） ； Google Research, Brain team, Berlin（谷歌研究，柏林脑团队） ； Department of Artificial Intelligence, Korea University, Seoul 136-713, Korea（人工智能系，韩国大学，首尔136-713，韩国） ； RIKEN Center for AIP, Japan（日本AIP研究中心） 纠错

AI总结 针对GNN-LRP计算复杂度指数级问题，提出多项式时间算法搜索Top-K相关游走，实现精确神经元级和近似节点级解释。

Comments Published in ICML 2023

Journal ref Proceedings of the 40th International Conference on Machine Learning, PMLR 202:38301-38324, 2023

General Hazard Detection

通用危险检测

Stephanie Ng, CP Lim, SueJen Looi, Hendrik Zurlinden, David Nguyen, Lei Wei, Saeid Nahavandi, Hailing Zhou

机构 * Swinburne University of Technology（斯winburne大学） ； National Transport Research Organisation（国家交通运输研究组织） ； Google Cloud（谷歌云） ； Deakin University（德金大学） 纠错

AI总结 针对现有危险检测系统在抽象安全概念上的局限性，提出基于规则合规评估的CompliVision数据集和结合LLaVA视觉推理与人在回路反馈的通用危险检测框架。

Comments 20 pages, 7 figures and 4 tables

GENSTRAT: Toward a Science of Strategic Reasoning in Large Language Models

GENSTRAT：迈向大型语言模型中的战略推理科学

Vartan Shadarevian, Kia Ghods, Alex Kenich, Anany Kotawala

机构 * Princeton University（普林斯顿大学） ； Google（谷歌） 纠错

AI总结 提出GENSTRAT框架，通过程序化生成不完全信息博弈环境，结合能力剖面和锯齿度度量，系统评估大型语言模型的战略推理能力。

Comments 33 pages, 8 figures, 9 tables (4 figures, 2 tables in main paper)

AutoResearch AI: Towards AI-Powered Research Automation for Scientific Discovery

AutoResearch AI：迈向人工智能驱动的科研自动化以实现科学发现

Guiyao Tie, Jiawen Shi, Dingjie Song, Yixiao Huang, Ziji Sheng, Xueyang Zhou, Daizong Liu, Pan Zhou, Yongchao Chen, Ran Xu, Lifang He, Qingsong Wen, Manling Li, Cong Lu, Shuai Li, Pengtao Xie, Yixuan Yuan, Rui Meng, Lei Xing, Lichao Sun, Caiming Xiong, Philip S. Yu, Jianfeng Gao

机构 * Huazhong University of Science and Technology（华中科技大学） ； Lehigh University（莱斯大学） ； Tsinghua University（清华大学） ； Wuhan University（武汉大学） ； Salesforce Research（Salesforce研究） ； Squirrel AI Learning（Squirrel AI学习） ； Northwestern University（西北大学） ； Independent（独立） ； Shanghai Jiao Tong University（上海交通大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Chinese University of Hong Kong（香港中文大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； Stanford University（斯坦福大学） ； Google Cloud AI Research（谷歌云AI研究） ； Recursive Superintelligence（递归超级智能） ； Microsoft Research（微软研究院） 纠错

AI总结 本文综述了AI驱动的科研工作流自动化（AutoResearch）的发展，分析了从任务级AI到工作流级研究自动化的转变，并提出了五个评估维度（新颖性、有效性、影响力、可靠性和溯源），指出自主性受领域条件限制。

Comments 49 pages, 12 figures, 10 tables

Inductive Deductive Synthesis: Enabling AI to Generate Formally Verified Systems

归纳演绎合成：使AI能够生成形式化验证的系统

Shubham Agarwal, Alexander Krentsel, Shu Liu, Mert Cemri, Audrey Cheng, Rui Meng, Tomas Pfister, Chun-Liang Li, Sylvia Ratnasamy, Aditya Parameswaran, Matei Zaharia, Ion Stoica, Mohsen Lesani

机构 * UC Berkeley（伯克利大学） ； Google（谷歌） ； UC Santa Cruz（圣克鲁兹大学） 纠错

AI总结 提出归纳演绎合成（IDS）方法，通过联合增量合成实现与证明，并利用失败尝试学习，使AI在分布式系统规范上实现100%验证成功率，成本和时间远低于专家和现有AI代理。

ThoughtTrace: Understanding User Thoughts in Real-World LLM Interactions

ThoughtTrace: 理解真实世界LLM交互中的用户想法

Chuanyang Jin, Binze Li, Haopeng Xie, Cathy Mengying Fang, Tianjian Li, Shayne Longpre, Hongxiang Gu, Maximillian Chen, Tianmin Shu

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Google Research（谷歌研究） 纠错

AI总结 本文提出ThoughtTrace，首个大规模数据集，通过配对真实多轮人机对话与用户自述想法（提示原因和对助手回复的反应），揭示用户认知动态，并展示其在行为预测和个性化对齐中的价值。

Comments 53 pages, 23 figures, 4 tables. Project website: https://thoughttrace-project.github.io/

OpenGaFF: Open-Vocabulary Gaussian Feature Field with Codebook Attention

OpenGaFF: 基于码本注意力的开放词汇高斯特征场

Kunyi Li, Michael Niemeyer, Sen Wang, Stefano Gasperini, Nassir Navab, Federico Tombari

机构 * Technical University of Munich（慕尼黑技术大学） ； Google（谷歌） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Visualais 纠错

AI总结 提出OpenGaFF框架，通过高斯特征场和码本注意力机制实现开放词汇3D场景理解，提升语义一致性和分割质量。

Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers

从可穿戴设备和常规血液生物标志物预测胰岛素抵抗

Ahmed A. Metwally, A. Ali Heydari, Daniel McDuff, Alexandru Solot, Zeinab Esmaeilpour, Anthony Z Faranesh, Menglian Zhou, David B. Savage, Conor Heneghan, Shwetak Patel, Cathy Speed, Javier L. Prieto

机构 * Google Research（谷歌研究） ； Institute of Metabolic Science, University of Cambridge（剑桥大学代谢科学研究所） 纠错

AI总结 本研究利用可穿戴设备时间序列数据和血液生物标志物，通过深度神经网络模型预测胰岛素抵抗，在最大规模远程招募数据集上实现了优于单一数据源的性能，并展示了模型在肥胖和久坐人群中的高灵敏度及可解释性。