California Institute of Technology（加州理工学院）

No Labels, No Problem: Training Visual Reasoners with Multimodal Verifiers

无标签，无问题：利用多模态验证器训练视觉推理器

Damiano Marsili, Georgia Gkioxari

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出无需标注的视觉推理训练框架，结合AI驱动的验证器提升推理与定位能力，超越现有开源和专有模型。

Comments Project webpage: https://glab-caltech.github.io/valor/

Semantic-Metric Bayesian Risk Fields: Learning Robot Safety from Human Videos with a VLM Prior

语义-度量贝叶斯风险场：从人类视频中学习机器人安全性的方法

Timothy Chen, Marcus Dominguez-Kuhne, Aiden Swann, Xu Liu, Mac Schwager

机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出基于贝叶斯框架的语义-度量风险场，通过人类视频学习机器人安全风险模型，实现类人风险评估与规划。

GLL: A Differentiable Graph Learning Layer for Neural Networks

GLL：一种用于神经网络的可微图学习层

Jason Brown, Bohan Chen, Harris Hardiman-Mostow, Jeff Calder, Andrea L. Bertozzi

机构 * Department of Mathematics University of California, Los Angeles（数学系，加州大学洛杉矶分校） ； Computing + Mathematical Sciences (CMS) Department California Institute of Technology（计算与数学科学系（CMS），加州理工学院） ； School of Mathematics University of Minnesota（数学系，明尼苏达大学） 纠错

AI总结 本文提出GLL，一种可微图学习层，用于神经网络中，通过整合相似性图构建和图拉普拉斯标签传播，提升分类任务的泛化能力和鲁棒性。

Comments 58 pages, 12 figures. Preprint. Submitted to the Journal of Machine Learning Research. v2: several new experiments, improved exposition