IBM

Retrieval with Multiple Query Vectors through Anomalous Pattern Detection

通过异常模式检测进行多查询向量检索

Allassan Tchangmena A Nken, Baimam Boukar Jean Jacques, Miriam Rateike, Celia Cintas, Skyler Speakman

机构 * IBM Research（IBM研究院） 纠错

AI总结 针对复杂任务需多查询向量的问题，提出利用异常模式检测的检索方法，通过识别查询向量中突出的维度子集，扫描数据库检索相关向量集，并在多个数据集上验证，发现多数数据集上大查询集可提升检索性能，1到8个查询向量时提升明显。

Layer-Parallel Inference Reduces Encrypted Nonlinear Depth in Transformers

层并行推理减少了Transformer中加密的非线性深度

Ligong Han, Kai Xu, Hao Wang, Ruijiang Gao, Han Gao, Akash Srivastava

机构 * MBZUAI IFM（穆罕默德·本·扎耶德人工智能大学智能未来研究院） ； Red Hat AI Innovation（红帽人工智能创新实验室） ； MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室） ； Core AI, IBM（IBM核心人工智能部门） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

AI总结 研究结构化牛顿层并行性（SNLP）能否使Transformer层间组合更适合全同态加密（FHE），通过基于切比雪夫多项式近似的模拟框架测量误差积累，结果表明SNLP可减少推理步骤并降低误差放大。

Comments Code is available at https://github.com/phymhan/nanochat-snlp/tree/snlp-fhe

MemoBench: Benchmarking World Modeling in Dynamically Changing Environments

MemoBench: 动态变化环境中的世界建模基准测试

Haoyu Chen, Kaichen Zhou, Hang Hua, Kaile Zhang, Jingwen Qian, Wufei Ma, Haonan Chen, Chunjiang Liu, Yizhou Zhao, Xiaoyuan Wang, Weiyue Li, Alan Yuille, Paul Pu Liang, Yilun Du

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Boston University（波士顿大学） ； Google（谷歌） ； JHU（约翰霍普金斯大学） ； CMU（卡内基梅隆大学） ； Kempner Institute（肯普纳研究所） 纠错

AI总结 提出MemoBench基准，通过目标消失-重现范式评估视频生成模型在动态环境中的记忆一致性，涵盖合成与真实场景，揭示现有模型的关键挑战。

OpenEarthAgent: A Unified Framework for Tool-Augmented Geospatial Agents

OpenEarthAgent：一个用于工具增强地理空间代理的统一框架

Akashah Shabbir, Muhammad Umer Sheikh, Muhammad Akhtar Munir, Hiyam Debary, Mustansar Fiaz, Muhammad Zaigham Zaheer, Paolo Fraccaro, Fahad Shahbaz Khan, Muhammad Haris Khan, Xiao Xiang Zhu, Salman Khan

机构 * Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； IBM Research（IBM研究院） ； Linköping University（林霍姆斯大学） ； Technical University Munich（慕尼黑技术大学） ； Australian National University（澳大利亚国立大学） 纠错

AI总结 本文提出OpenEarthAgent框架，通过整合卫星影像、自然语言查询和结构化推理轨迹，实现多模态地理空间推理，提升遥感任务的执行能力与空间逻辑一致性。

Comments Accepted at the European Conference on Computer Vision (ECCV 2026)

Certified Adversarial Robustness of Machine Learning-based Malware Detectors via (De)Randomized Smoothing

通过（去）随机化平滑实现基于机器学习的恶意软件检测器的认证对抗鲁棒性

Daniel Gibert, Luca Demetrio, Giulio Zizzo, Quan Le, Jordi Planes, Battista Biggio

机构 * CeADAR, University College Dublin（CeADAR，都柏林大学学院） ； University of Genova（热那亚大学） ； IBM Research Europe（IBM欧洲研究） ； University of Lleida（莱里达大学） ； University of Cagliari（卡利亚里大学） 纠错

AI总结 本文提出了一种基于（去）随机化平滑的认证对抗鲁棒性防御方法，通过块划分和多数投票机制提升恶意软件检测器的鲁棒性。

Improved Answer Selection with Pre-Trained Word Embeddings

使用预训练词嵌入改进答案选择

Rishav Chakravarti, Jiri Navratil, Cicero Nogueira dos Santos

机构 * IBM Watson ； AI Foundations, IBM Research（IBM研究院人工智能基础） 纠错

AI总结 研究基于预训练词嵌入的答案选择方法，通过在公开数据集上实验，对比传统方法有显著提升，将词嵌入特征与传统排序学习技术结合，性能可媲美最先进神经网络。