Carnegie Mellon University（卡内基梅隆大学）

ECCO: Leveraging Cross-Camera Correlations for Efficient Live Video Continuous Learning

ECCO：利用跨摄像头相关性实现高效的实时视频连续学习

Yuze He, Ferdi Kossmann, Srinivasan Seshan, Peter Steenkiste

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 ECCO通过利用跨摄像头相关性，实现高效的实时视频连续学习，减少计算和通信成本，提升重新训练准确性并支持更多摄像头。

A Scalable Multi-GPU Framework for Encrypted Large-Model Inference

可扩展的多GPU框架用于加密大模型推断

Siddharth Jayashankar, Joshua Kim, Michael B. Sullivan, Wenting Zheng, Dimitrios Skarlatos

机构 * Carnegie Mellon University（卡内基梅隆大学） ； UT Austin（得克萨斯大学） ； NVIDIA（英伟达） 纠错

AI总结 Cerium是首个实现加密大模型推断的多GPU框架，通过优化编译器和运行时系统，显著提升FHE推断性能，达到与ASIC相当的效率。

Latent Variable Causal Discovery under Selection Bias

潜在变量因果发现中的选择偏差问题

Haoyue Dai, Yiwen Qiu, Ignavier Ng, Xinshuai Dong, Peter Spirtes, Kun Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出了一种基于排名约束的方法，用于在存在选择偏差的情况下识别潜在变量模型中的因果结构。

Comments Appears at ICML 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML), 2025

MM-SeR: Multimodal Self-Refinement for Lightweight Image Captioning

MM-SeR: 多模态自反思用于轻量级图像描述

Junha Song, Yongsik Jo, So Yeon Min, Quanting Xie, Taehwan Kim, Yonatan Bisk, Jaegul Choo

机构 * KAIST（韩国科学技术院） ； UNIST（全南国立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 MM-SeR通过轻量级多模态自反思框架，在减少计算成本的同时，实现了与大规模模型相当的图像描述性能，并扩展到长距离视频问答任务。

Comments Project page: https://sites.google.com/view/junha/mm-ser

Large Language Model Agent for Modular Task Execution in Drug Discovery

用于药物发现模块化任务执行的大型语言模型代理

Janghoon Ock, Radheesh Sharma Meda, Srivathsan Badrinarayanan, Neha S. Aluru, Achuth Chandrasekhar, Amir Barati Farimani

机构 * Department of Chemical Engineering, Carnegie Mellon University（化学工程系，卡内基梅隆大学） ； Department of Material Science and Engineering, Carnegie Mellon University（材料科学与工程系，卡内基梅隆大学） ； Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学） 纠错

AI总结 本文提出了一种基于大型语言模型的模块化框架，用于药物发现中的任务执行，通过自动化分子生成和属性预测提升药物筛选效率。

Empowering GNNs for Domain Adaptation via Denoising Target Graph

通过去噪目标图增强图神经网络的领域适应

Haiyang Yu, Meng-Chieh Lee, Xiang song, Qi Zhu, Christos Faloutsos

机构 * Texas A&M University（德克萨斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

AI总结 GraphDeT通过在目标图上引入去噪边任务提升GNN在领域适应中的节点分类性能。