Georgia Institute of Technology（佐治亚理工学院）

Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence

量子乐高学习：一种用于混合人工智能的模块化设计原则

Jun Qi, Chao-Han Huck Yang, Pin-Yu Chen, Min-Hsiu Hsieh, Hector Zenil, Jesper Tegner

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（电子与计算机工程学院，佐治亚理工学院） ； NVIDIA Research（NVIDIA研究） ； IBM Research（IBM研究） ； Hon Hai (Foxconn) Quantum Computing Research Center（鸿海（富士康）量子计算研究中心） ； Biomedical Engineering and Imaging Sciences, King's College London（生物医学工程与成像科学，伦敦国王学院） ； Computer, Electrical, and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology（计算机、电子和数学科学与工程系，国王阿卜杜勒-阿齐兹大学） 纠错

AI总结 本研究提出量子乐高学习框架，通过模块化设计实现混合人工智能的高效学习，强调量子与经典模块的分离与可组合性，提升泛化能力和鲁棒性。

Comments In submission

A Federated Generalized Expectation-Maximization Algorithm for Mixture Models with an Unknown Number of Components

一种用于具有未知组件数的混合模型的联邦广义期望最大化算法

Michael Ibrahim, Nagi Gebraeel, Weijun Xie

机构 * H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出FedGEM算法，用于在未知组件数情况下训练混合模型，通过本地EM步骤和不确定性集推断全局聚类数，实验证明其性能优于现有联邦聚类方法。

Comments 49 Pages, Accepted at ICLR 2026

ChunkWise LoRA: Adaptive Sequence Partitioning for Memory-Efficient Low-Rank Adaptation and Accelerated LLM Inference

ChunkWise LoRA: 适应性序列分块用于内存高效低秩适应和加速大语言模型推理

Ketan Thakkar, Maitreyi Chatterjee, Ramasubramanian Balasubramanian, Achyuthan Jootoo, Rajendra Ugrani

机构 * Bentley University USA（伯克利大学） ； Cornell University USA（康奈尔大学） ； University of California Berkeley USA（加州大学伯克利分校） ； George Mason University USA（乔治·马歇尔大学） ； Georgia Institute of Technology USA（佐治亚理工学院） 纠错

AI总结 ChunkWise LoRA通过动态分块和适应性配置提升LLM推理效率，实现更低延迟和内存消耗的同时保持性能。

Comments Presented at 13th IEEE International Conference on Intelligent Systems and Embedded Design

UniHash: Unifying Pointwise and Pairwise Hashing Paradigms

UniHash：统一点对点和配对哈希范式

Xiaoxu Ma, Runhao Li, Xiangbo Zhang, Zhenyu Weng

机构 * South China University of Technology（南方科技大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 UniHash通过统一点对点和配对哈希范式，提升图像检索在已见过和未见过类别上的性能。