NVIDIA（英伟达）

Lattice-based Deep Neural Networks: Regularity and Tailored Regularization

基于格的深度神经网络：正则性与定制正则化

Alexander Keller, Frances Y. Kuo, Dirk Nuyens, Ian H. Sloan

机构 * NVIDIA ； School of Mathematics and Statistics（数学与统计学学院） ； UNSW Sydney（悉尼大学） ； Department of Computer Science（计算机科学系） ； KU Leuven（鲁文大学） 纠错

AI总结 本文提出利用格规则作为深度神经网络的训练点，通过限制网络参数以匹配目标函数的正则性特征，从而获得更好的理论泛化误差界限。

Operator Learning Using Weak Supervision from Walk-on-Spheres

利用走球面方法进行运算符学习

Hrishikesh Viswanath, Hong Chul Nam, Xi Deng, Julius Berner, Anima Anandkumar, Aniket Bera

机构 * Purdue University, USA（普渡大学） ； NVIDIA, USA（NVIDIA公司） ； ETH Zurich, Switzerland（苏黎世联邦理工学院） ； California Institute of Technology, USA（加州理工学院） 纠错

AI总结 本文提出了一种基于走球面方法的神经运算符学习方法，通过弱监督训练实现高效且稳定的偏微分方程求解。

Physically Valid Biomolecular Interaction Modeling with Gauss-Seidel Projection

基于高斯-塞德尔投影的物理有效生物分子相互作用建模

Siyuan Chen, Minghao Guo, Caoliwen Wang, Anka He Chen, Yikun Zhang, Jingjing Chai, Yin Yang, Wojciech Matusik, Peter Yichen Chen

机构 * University of British Columbia（不列颠哥伦比亚大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； NVIDIA（英伟达） ； Peking University（北京大学） ； Foundry Biosciences（Foundry 生物科技） ； University of Utah（犹他大学） 纠错

AI总结 本文提出了一种基于高斯-塞德尔投影的生物分子相互作用建模方法，通过强制物理有效性约束提升结构准确性，实现高效且稳定的去噪过程。

Quantization-Aware Distillation for NVFP4 Inference Accuracy Recovery

量化感知蒸馏用于NVFP4推理精度恢复

Meng Xin, Sweta Priyadarshi, Jingyu Xin, Bilal Kartal, Aditya Vavre, Asma Kuriparambil Thekkumpate, Zijia Chen, Ameya Sunil Mahabaleshwarkar, Ido Shahaf, Akhiad Bercovich, Kinjal Patel, Suguna Varshini Velury, Chenjie Luo, Zhiyu Cheng, Jenny Chen, Chen-Han Yu, Wei Ping, Oleg Rybakov, Nima Tajbakhsh, Oluwatobi Olabiyi, Dusan Stosic, Di Wu, Song Han, Eric Chung, Sharath Turuvekere Sreenivas, Bryan Catanzaro, Yoshi Suhara, Tijmen Blankevoort, Huizi Mao

机构 * NVIDIA（英伟达） 纠错

AI总结 本研究提出量化感知蒸馏方法，用于恢复NVFP4量化大型语言模型和视觉-语言模型的推理精度，通过KL散度损失实现有效且稳定的精度恢复。

Diverging Preferences: When do Annotators Disagree and do Models Know?

分歧偏好：标注者何时分歧以及模型是否知道？

Michael JQ Zhang, Zhilin Wang, Jena D. Hwang, Yi Dong, Olivier Delalleau, Yejin Choi, Eunsol Choi, Xiang Ren, Valentina Pyatkin

机构 * New York University（纽约大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； NVIDIA（NVIDIA公司） ； University of Washington（华盛顿大学） ； University of Southern California（南加州大学） 纠错

AI总结 本文研究了标注者分歧的来源，发现任务不明确等因素导致大多数分歧，并提出方法以减轻其在LLM评估和训练中的影响。

Comments ICML 2025