Carnegie Mellon University（卡内基梅隆大学）

Scalable Dynamic Origin-Destination Demand Estimation Enhanced by High-Resolution Satellite Imagery Data

基于高分辨率卫星影像数据的可扩展动态OD需求估计

Jiachao Liu, Pablo Guarda, Koichiro Niinuma, Sean Qian

机构 * Department of Civil and Environmental Engineering, Carnegie Mellon University, Pittsburgh, PA（土木与环境工程系，卡内基梅隆大学） ； Fujitsu Research of America, Pittsburgh, PA（富士通美国研究院） ； Heinz College of Information Systems and Public Policy, Carnegie Mellon University, Pittsburgh, PA（Heinz信息学院） 纠错

AI总结 本研究提出基于高分辨率卫星影像数据的动态OD需求估计框架，通过结合传统交通数据提升估计精度，尤其在无本地传感器的链接上表现优异。

Soft Clustering Anchors for Self-Supervised Speech Representation Learning in Joint Embedding Prediction Architectures

用于联合嵌入预测架构中自监督语音表示学习的软聚类锚点

Georgios Ioannides, Adrian Kieback, Judah Goldfeder, Linsey Pang, Aman Chadha, Aaron Elkins, Yann LeCun, Ravid Shwartz-Ziv

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成人工智能） 纠错

AI总结 GMM-Anchored JEPA通过软聚类锚点提升语音表示学习，实现ASR、情感识别和槽填充的性能提升。

Comments 15 pages, 5 figures. Code: github.com/gioannides/clustering-anchored-jepa

When Should We Introduce Safety Interventions During Pretraining?

在预训练过程中何时引入安全干预

Dylan Sam, Sachin Goyal, Pratyush Maini, Alexander Robey, J. Zico Kolter

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文研究了在预训练过程中何时引入安全干预以提高模型鲁棒性，发现20%-60%的预训练阶段引入干预效果最佳，且早期干预能更清晰地区分安全与有害内容。

Assessing Identity Leakage in Talking Face Generation: Metrics and Evaluation Framework

评估说话面部生成中的身份泄露：指标与评估框架

Dogucan Yaman, Fevziye Irem Eyiokur, Hazım Kemal Ekenel, Alexander Waibel

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； KIT Campus Transfer GmbH (KCT)（KIT校园转移公司） ； Istanbul Technical University（伊斯坦布尔技术大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种评估说话面部生成中身份泄露的系统方法，通过三种测试设置和衍生指标量化泄露问题，并探讨参考图像选择对泄露的影响。

Comments Accepted to ICASSP 2026

PersonaX: Multimodal Datasets with LLM-Inferred Behavior Traits

PersonaX: 多模态数据集与LLM推断行为特征

Loka Li, Wong Yu Kang, Minghao Fu, Guangyi Chen, Zhenhao Chen, Gongxu Luo, Yuewen Sun, Salman Khan, Peter Spirtes, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Australian National University（澳大利亚国立大学） 纠错

AI总结 PersonaX通过多模态数据集结合LLM推断行为特征，推动多模态特征分析与因果推理发展。

Comments ICLR 2026

Sharp High-Probability Rates for Nonlinear SGD under Heavy-Tailed Noise via Symmetrization

非线性SGD在重尾噪声下的高概率收敛速率研究

Aleksandar Armacki, Dragana Bajovic, Dusan Jakovetic, Soummya Kar

机构 * École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； University of Novi Sad（诺维萨德大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出非线性SGD在重尾噪声下的高概率收敛速率分析，通过对称化方法改进非对称噪声处理，实现更优的收敛性能。

Comments 43 pages, 1 figure

UFM: A Simple Path towards Unified Dense Correspondence with Flow

UFM: 一种通往统一密集对应关系的简单路径：流

Yuchen Zhang, Nikhil Keetha, Chenwei Lyu, Bhuvan Jhamb, Yutian Chen, Yuheng Qiu, Jay Karhade, Shreyas Jha, Yaoyu Hu, Deva Ramanan, Sebastian Scherer, Wenshan Wang

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 UFM通过统一训练方法在密集对应关系任务中实现了更高的准确性和效率，优于专门方法。

Comments Project Page: https://uniflowmatch.github.io/

Faithful Group Shapley Value

忠实的群体Shapley值

Kiljae Lee, Ziqi Liu, Weijing Tang, Yuan Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出FGSV，一种能防御壳公司攻击的群体Shapley值方法，并开发了高效的近似算法。

Comments Accepted to NeurIPS 2025

Transformer-Based Spatio-Temporal Association of Apple Fruitlets

基于变换器的苹果果粒时空关联

Harry Freeman, George Kantor

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出基于变换器的苹果果粒时空关联方法，通过自注意力和交叉注意力机制提升小尺寸水果的关联精度，实验结果显示在商业果园中达到92.4%的F1分数。

Journal ref 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Hangzhou, China, 2025, pp. 3018-3025