Meta

Improved large-scale graph learning through ridge spectral sparsification

通过岭谱稀疏化实现大规模图学习的改进

Daniele Calandriello, Ioannis Koutis, Alessandro Lazaric, Michal Valko

机构 * SequeL team, INRIA Lille - Nord Europe, France（SequeL团队，INRIA里尔-北欧，法国） ； Facebook AI Research, Paris, France（Facebook人工智能研究，巴黎，法国） ； MIT, USA（麻省理工学院，美国） ； New Jersey Institute of Technology, USA（新泽西理工学院，美国） 纠错

AI总结 本文提出GSQUEAK算法，通过维护有效电阻的小子集高效稀疏化图拉普拉斯矩阵，在分布式流式设置中实现快速谱近似。

Comments International Conference on Machine Learning (ICML 2018)

Improving Large-Scale Recommender Systems with Auxiliary Learning

通过辅助学习改进大规模推荐系统

Mertcan Cokbas, Ziteng Liu, Zeyi Tao, Elder Veliz, Qin Huang, Ellie Wen, Huayu Li, Qiang Jin, Murat Duman, Benjamin Au, Guy Lebanon, Sagar Chordia, Chengkai Zhang

机构 * Meta Platforms, Inc.（Meta平台公司） ； Menlo Park, CA, USA（美国Menlo Park州） 纠错

AI总结 本文提出通过辅助学习分析数据集子结构，以解决推荐系统中因分布不均导致的注意力机制问题，提升对少数群体和整体性能的改进效果。

Parallel-SFT: Improving Zero-Shot Cross-Programming-Language Transfer for Code RL

并行SFT：改进代码RL的零样本跨编程语言转移

Zhaofeng Wu, Shiqi Wang, Boya Peng, Anuj Goyal, Melanie Kambadur, Sebastian Ruder, Yoon Kim, Chloe Bi

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； MIT（麻省理工学院） 纠错

AI总结 本文提出零样本跨编程语言转移任务，通过并行SFT策略提升代码RL在不同语言间的迁移能力，发现通用化SFT初始化能提升模型泛化性能。

GeoRelight: Learning Joint Geometrical Relighting and Reconstruction with Flexible Multi-Modal Diffusion Transformers

GeoRelight: 基于灵活多模态扩散变换器的联合几何重照明与重建

Yuxuan Xue, Ruofan Liang, Egor Zakharov, Timur Bagautdinov, Chen Cao, Giljoo Nam, Shunsuke Saito, Gerard Pons-Moll, Javier Romero

机构 * Codec Avatars Lab, Meta（Meta编码器动画实验室） ； University of Tübingen（图宾根大学） ； Max Planck Institute for Informatics, Saarland Informatics Campus（马克斯·普朗克信息学院，萨尔兰信息校园） 纠错

AI总结 本文提出GeoRelight，通过联合解决几何重建与重照明问题，利用iNOD和混合数据训练方法提升性能，优于传统顺序模型和忽略几何的系统。

Comments CVPR 2026 Highlight; Project page: https://yuxuan-xue.com

Task-Dependent Evaluation of LLM Output Homogenization: A Taxonomy-Guided Framework

任务依赖性的大语言模型输出同质化评估：一种基于分类学的框架

Shomik Jain, Jack Lanchantin, Maximilian Nickel, Candace Ross, Karen Ullrich, Ashia Wilson, Jamelle Watson-Daniels

机构 * FAIR at Meta（Meta 的 FAIR 研究院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出基于任务分类学的框架，通过任务依赖的采样技术提升输出多样性，挑战多样性与质量的权衡观念。