Carnegie Mellon University（卡内基梅隆大学）

Adapting Speech Language Model to Singing Voice Synthesis

将语音语言模型适应于歌唱语音合成

Yiwen Zhao, Jiatong Shi, Jinchuan Tian, Yuxun Tang, Jiarui Hai, Jionghao Han, Shinji Watanabe

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Renmin University of China（中国人民大学） ； John Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出将预训练语音语言模型适应于歌唱语音合成，通过多流语言模型预测、条件流匹配生成梅尔频谱图及梅尔到波形 vocoder 实现，验证了模型在歌唱语音合成任务中的有效性。

Comments Accepted by NeurIPS 2025 workshop AI for Music

Robust Training of Singing Voice Synthesis Using Prior and Posterior Uncertainty

利用先验和后验不确定性进行鲁棒的歌唱语音合成训练

Yiwen Zhao, Jiatong Shi, Yuxun Tang, William Chen, Shinji Watanabe

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文提出基于先验和后验不确定性的优化方法，提升歌唱语音合成模型在数据稀缺场景下的鲁棒性和性能

Comments Accepted by ASRU 2025

On the Hardness of Conditional Independence Testing In Practice

在实践中条件独立性检验的难度

Zheng He, Roman Pogodin, Yazhe Li, Namrata Deka, Arthur Gretton, Danica J. Sutherland

机构 * UBC（不列颠哥伦比亚大学） ； McGill and Mila（麦吉尔大学和Mila） ； Microsoft AI（微软人工智能） ； CMU（卡内基梅隆大学） ； Gatsby Unit, UCL（UCL加太西单位） ； UBC and Amii（不列颠哥伦比亚大学和Amii） 纠错

AI总结 研究分析了KCI测试中条件核选择对测试性能的影响，揭示了误差和核选择对I型错误率的关键作用。

Comments Published at NeurIPS 2025: https://openreview.net/forum?id=Tn1M71PDfF

RAST-MoE-RL: A Regime-Aware Spatio-Temporal MoE Framework for Deep Reinforcement Learning in Ride-Hailing

RAST-MoE-RL: 一种面向动态的时空MoE框架用于网约车深度强化学习

Yuhan Tang, Kangxin Cui, Jung Ho Park, Yibo Zhao, Xuan Jiang, Haoze He, Dingyi Zhuang, Shenhao Wang, Jiangbo Yu, Haris Koutsopoulos, Jinhua Zhao

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Tongji University（同济大学） ； University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； McGill University（麦吉尔大学） ； Northeastern University（东北大学） 纠错

AI总结 RAST-MoE-RL通过引入制度感知的时空MoE框架，提升了网约车深度强化学习中的决策效率与稳定性，实现了更高的奖励和更短的等待时间。

Global Deep Forecasting with Patient-Specific Pharmacokinetics

基于患者特异性药代动力学的全球深度预测

Willa Potosnak, Cristian Challu, Kin G. Olivares, Keith A. Dufendach, Artur Dubrawski

机构 * Auton Lab School of Computer Science Carnegie Mellon University（自动化实验室计算机科学学院卡内基梅隆大学） ； Nixtla ； Amazon（亚马逊） ； University of Pittsburgh Medical Center Division of Cardiac Surgery（匹兹堡大学医学中心心脏外科 division） 纠错

AI总结 本文提出了一种结合患者特异性药代动力学的深度预测方法，通过混合架构和编码器提升血葡萄糖预测的准确性，实验结果显示在模拟和实际数据中均取得显著效果。