Harvard University（哈佛大学）

Memorization in 3D Shape Generation: An Empirical Study

三维形状生成中的记忆现象：一项实证研究

Shu Pu, Boya Zeng, Kaichen Zhou, Mengyu Wang, Zhuang Liu

机构 * Princeton University（普林斯顿大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文通过实证研究探讨了3D生成模型中记忆现象的影响因素，并提出减少记忆的策略以提升生成多样性。

Breadcrumbs Reasoning: Memory-Efficient Reasoning with Compression Beacons

痕迹推理：通过压缩信标实现的内存高效推理

Giovanni Monea, Yair Feldman, Shankar Padmanabhan, Kianté Brantley, Yoav Artzi

机构 * Cornell University（康奈尔大学） ； Harvard University（哈佛大学） 纠错

AI总结 本研究提出通过压缩信标实现内存高效推理，利用联合蒸馏和强化学习框架优化缓存压缩，提升大语言模型在长上下文推理中的内存与准确性平衡。

Application-Driven Innovation in Machine Learning

应用驱动的机器学习创新

David Rolnick, Alan Aspuru-Guzik, Sara Beery, Bistra Dilkina, Priya L. Donti, Marzyeh Ghassemi, Hannah Kerner, Claire Monteleoni, Esther Rolf, Milind Tambe, Adam White

机构 * McGill University（麦吉尔大学） ； Mila -- Quebec AI Institute, Montreal, Canada（魁北克AI研究所） ； University of Toronto（多伦多大学） ； Vector Institute, Toronto, Canada（向量研究所） ； Massachusetts Institute of Technology, Cambridge, USA（麻省理工学院） ； University of Southern California, Los Angeles, USA（南加州大学） ； Arizona State University, Tempe, USA（亚利桑那州立大学） ； Inria Paris, Paris, France（巴黎研究所） ； University of Colorado Boulder, Boulder, USA（科罗拉多大学博尔德分校） ； Harvard University, Cambridge, USA（哈佛大学） ； University of Alberta（阿尔伯塔大学） ； Alberta Machine Intelligence Institute, Edmonton, Canada（阿尔伯塔人工智能研究所） 纠错

AI总结 本文探讨了应用驱动研究在机器学习中的重要性，指出其对算法创新和领域影响的潜力，并提出改进现有评估和教学实践的建议。

Comments 12 pages, 3 figures

Journal ref Published at ICML 2024 in the Position Papers track

Diffusion MRI with Machine Learning

利用机器学习的扩散磁共振成像

Davood Karimi, Simon K. Warfield

机构 * Harvard Medical School and Boston Children’s Hospital（哈佛医学院和波士顿儿童医院） 纠错

AI总结 本文探讨了机器学习在扩散磁共振成像分析中的应用，评估了现有方法的优缺点，并提出了未来研究的方向。

What Has a Foundation Model Found? Using Inductive Bias to Probe for World Models

基础模型发现了什么？利用归纳偏置来探测世界模型

Keyon Vafa, Peter G. Chang, Ashesh Rambachan, Sendhil Mullainathan

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

AI总结 该研究通过归纳偏置探测技术揭示基础模型在适应新任务时无法捕捉底层世界模型结构的问题。

Comments To appear in ICML 2025

Poisson-Process Topic Model for Integrating Knowledge from Pre-trained Language Models

泊松过程主题模型：整合预训练语言模型的知识

Morgane Austern, Yuanchuan Guo, Zheng Tracy Ke, Tianle Liu

机构 * Harvard University（哈佛大学） 纠错

AI总结 本文提出基于泊松过程的主题模型，利用预训练语言模型的嵌入信息，改进传统主题建模方法，通过净圆整和核平滑增强，实现更高效的主题估计和收敛性分析。

Comments 96 pages

NLCG-Net: A Model-Based Zero-Shot Learning Framework for Undersampled Quantitative MRI Reconstruction

NLCG-Net：一种用于欠采样定量磁共振成像重建的基于模型的零样本学习框架

Xinrui Jiang, Yohan Jun, Jaejin Cho, Mengze Gao, Xingwang Yong, Berkin Bilgic

机构 * Fudan University（复旦大学） ； Harvard Medical School（哈佛医学院） ； Massachusetts General Hospital（麻省总医院） ； Stanford University（斯坦福大学） ； Zhejiang University（浙江大学） 纠错

AI总结 NLCG-Net通过结合U-Net正则化器和单指数信号建模，实现了基于模型的零样本学习，用于高加速因子下的T2/T1定量磁共振成像重建。

Comments 5 pages, 5 figures, accepted by International Society for Magnetic Resonance in Medicine 2024