University of Cambridge（剑桥大学）

Training-Free Test-Time Adaptation with Brownian Distance Covariance in Vision-Language Models

无需训练的测试时适应与布朗距离协方差在视觉-语言模型中

Yi Zhang, Chun-Wun Cheng, Angelica I. Aviles-Rivero, Zhihai He, Liang-Jie Zhang

机构 * College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院） ； University of Cambridge, Cambridge, UK（剑桥大学） ； Yau Mathematical Sciences Center, Tsinghua University, Beijing, China（清华大学尤里伊数学科学中心） ； Southern University of Science and Technology, Shenzhen, China（南方科技大学） 纠错

AI总结 TaTa通过布朗距离协方差实现无需训练的测试时适应，提升视觉-语言模型在领域偏移下的效率与稳定性，同时在泛化性能上取得突破。

Comments Accepted in ICASSP 2026

Machine Learning for Energy-Performance-aware Scheduling

为能源-性能感知调度的机器学习

Zheyuan Hu, Yifei Shi

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） 纠错

AI总结 本文提出基于高斯过程的贝叶斯优化框架，用于自动化异构多核架构上的调度配置搜索，通过敏感性分析和协方差核比较提升模型可解释性。

Comments Zheyuan Hu and Yifei Shi contributed equally to this work

When Meanings Meet: Investigating the Emergence and Quality of Shared Concept Spaces during Multilingual Language Model Training

意义交汇：探究多语言语言模型训练中共享概念空间的产生与质量

Felicia Körner, Max Müller-Eberstein, Anna Korhonen, Barbara Plank

机构 * MaiNLP, Center for Information and Language Processing, LMU Munich（MaiNLP，信息与语言处理中心，慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Tokyo（东京大学） ； IT University of Copenhagen（哥本哈根IT大学） ； Language Technology Lab, University of Cambridge（语言技术实验室，剑桥大学） 纠错

AI总结 研究通过因果可解释方法探讨多语言语言模型训练中共享概念空间的产生与质量，发现早期出现并随训练细化，但语言依赖性显著，且翻译质量提升可能反映行为变化而非能力提升。

Comments Accepted to EACL 2026 Main Conference

Molecular Representations in Implicit Functional Space via Hyper-Networks

通过超网络在隐式函数空间中学习分子表示

Zehong Wang, Xiaolong Han, Qi Yang, Xiangru Tang, Fang Wu, Xiaoguang Guo, Weixiang Sun, Tianyi Ma, Pietro Lio, Le Cong, Sheng Wang, Chuxu Zhang, Yanfang Ye

机构 * University of Notre Dame（内布拉斯加大学） ； University of Connecticut（康涅狄格大学） ； Independent Researcher Visiting Zhang's Lab in UConn（独立研究者） ； University of Surrey（萨里大学） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； University of Washington（华盛顿大学） 纠错

AI总结 MolField通过超网络在隐式函数空间中学习分子表示，实现对分子场的连续建模，提升分子性质预测的稳定性与泛化能力。