Cornell University（康奈尔大学）

Efficient Deep Demosaicing with Spatially Downsampled Isotropic Networks

高效深度去马赛克与空间下采样各向同性网络

Cory Fan, Wenchao Zhang

机构 * Cornell University（康奈尔大学） ； Omnivision（奥米维森） ； Omnivision Technologies（奥米维森技术） 纠错

AI总结 本文提出了一种通过空间下采样提升各向同性网络效率和性能的深度去马赛克方法，并在多种任务中验证了其有效性。

Comments To be published at WVAQ Workshop at WACV. Code @ github.com/cory-fan/jd3net

DISPO: Enhancing Training Efficiency and Stability in Reinforcement Learning for Large Language Model Mathematical Reasoning

DISPO：提升大型语言模型数学推理中的训练效率和稳定性

Batuhan K. Karaman, Aditya Rawal, Suhaila Shakiah, Mohammad Ghavamzadeh, Mingyi Hong, Arijit Biswas, Ruida Zhou

机构 * Cornell University（康奈尔大学） ； Amazon AGI（亚马逊人工智能实验室） 纠错

AI总结 DISPO通过分离正确与错误响应的重要性采样权重裁剪，实现训练效率与稳定性的平衡，提升大型语言模型在数学推理任务中的性能。

Comments This work is accepted to the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026

Direct Preference Optimization with Rating Information: Practical Algorithms and Provable Gains

直接偏好优化与评分信息：实用算法和可证明的收益

Luca Viano, Ruida Zhou, Yifan Sun, Mahdi Namazifar, Volkan Cevher, Shoham Sabach, Mohammad Ghavamzadeh

机构 * EPFL（苏黎世联邦理工学院） ； Amazon AGI（亚马逊人工智能实验室） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Cornell University（康奈尔大学） ； Qualcomm AI Research（高通人工智能研究） 纠错

AI总结 本文提出利用评分间隙信息改进直接偏好优化算法，通过理论证明和实验验证，在准确评分间隙条件下实现更快的统计速率，并在多种LLM和基准上表现优异。

VC Theory for Inventory Policies

库存策略的VC理论

Yaqi Xie, Will Ma, Linwei Xin

机构 * Booth School of Business, University of Chicago（芝加哥大学商学院） ； Graduate School of Business and Data Science Institute, Columbia University（哥伦比亚大学研究生商学院和数据科学研究院） ； School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院） 纠错

AI总结 本文提出结合轨迹RL与政策正则化的库存策略方法，利用VC理论分析其泛化误差，证明非平稳基础库存策略的泛化误差不随时间增长，而（s, S）策略则随时间对数增长。

LLMs as High-Dimensional Nonlinear Autoregressive Models with Attention: Training, Alignment and Inference

基于注意力机制的高维非线性自回归模型：训练、对齐与推理

Vikram Krishnamurthy

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文将LLMs表述为具有注意力依赖的高维非线性自回归模型，探讨了训练、对齐与推理的原理及方法。

Comments 27 pages, 12 figures. Mathematical survey framing LLMs as high-dimensional nonlinear autoregressive models with attention, covering training, alignment, and inference, with nanoGPT/nanochat-style code examples. Feedback welcome

YOLOE-26: Integrating YOLO26 with YOLOE for Real-Time Open-Vocabulary Instance Segmentation

YOLOE-26: 将 YOLO26 与 YOLOE 结合用于实时开放词汇实例分割

Ranjan Sapkota, Manoj Karkee

机构 * Cornell University（康奈尔大学） 纠错

AI总结 YOLOE-26 结合 YOLO26 和 YOLOE，通过统一框架实现实时开放词汇实例分割，采用多尺度特征聚合和嵌入空间匹配，提升效率与准确性。

ReasoningBomb: A Stealthy Denial-of-Service Attack by Inducing Pathologically Long Reasoning in Large Reasoning Models

ReasoningBomb: 通过诱导病态长推理实现隐蔽的拒绝服务攻击

Xiaogeng Liu, Xinyan Wang, Yechao Zhang, Sanjay Kariyappa, Chong Xiang, Muhao Chen, G. Edward Suh, Chaowei Xiao

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学） ； NVIDIA（NVIDIA公司） ； University of California, Davis（加州大学戴维斯分校） ； Cornell University（康奈尔大学） 纠错

AI总结 ReasoningBomb通过生成短自然提示诱导大型推理模型进入病态长推理，实现隐蔽的拒绝服务攻击，具有高放大率、隐蔽性和可优化性。

Comments Pre-print. Code is available at https://github.com/SaFo-Lab/ReasoningBomb