University of Cambridge（剑桥大学）

Evaluating the Diversity of AI-Generated Content with Diversity Profiles

用多样性轮廓评估AI生成内容的多样性

Xiuyuan Hu, Xuege Hou, Guoqing Liu, Yang Zhao, Jieran Li, Dongbiao Sun, José Miguel Hernández-Lobato, Hao Zhang, Xue Liu

机构 * Tsinghua University（清华大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Microsoft Research（微软研究院） ； University of Cambridge（剑桥大学） ； McGill University（麦吉尔大学） 纠错

AI总结 针对现有AI生成内容多样性评估标量指标的矛盾性与局限性，提出曲线值的多样性轮廓框架，为生成式AI评估提供更透明、感知分辨率的多样性比较方案。

The Standard Interpretable Model: A general theory of interpretable machine learning to deductively design interpretable methods using Lagrangian mechanics

标准可解释模型：一种基于拉格朗日力学的可解释机器学习通用理论，用于演绎设计可解释方法

Pietro Barbiero, Giovanni De Felice, Mateo Espinosa Zarlenga, Francesco Giannini, Filippo Bonchi, Mateja Jamnik, Giuseppe Marra, Ruggero Noris

机构 * IBM Research (CH)（IBM研究院（瑞士）） ； University of Oxford (UK)（牛津大学（英国）） ； University of Cambridge (UK)（剑桥大学（英国）） ； KU Leuven (BE)（鲁汶大学（比利时）） ； Institute of Physics of the Czech Academy of Sciences (CZ)（捷克科学院物理研究所（捷克）） 纠错

AI总结 提出标准可解释模型（SIM），基于拉格朗日力学从前提演绎出可解释性对称性和约束，通过最小化拉格朗日函数得到最优可解释模型，解决现有方法局限性并指导新方法设计。

Multiscale Training of Convolutional Neural Networks

卷积神经网络的多尺度训练

Shadab Ahamed, Niloufar Zakariaei, Eldad Haber, Moshe Eliasof

机构 * Department of Physics & Astronomy, University of British Columbia（物理与天文学系，不列颠哥伦比亚大学） ； Department of Earth, Ocean and Atmospheric Sciences, University of British Columbia（地球、海洋和大气科学系，不列颠哥伦比亚大学） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（应用数学与理论物理系，剑桥大学） 纠错

AI总结 本文提出多尺度梯度估计和全多尺度训练方法，通过多层蒙特卡洛思想减少高分辨率CNN训练的计算成本，提升训练效率。

Comments 25 pages, 10 figures, 8 tables

Journal ref Transactions on Machine Learning Research (TMLR), March 2026