Harvard University（哈佛大学）

Step-resolved data attribution for looped transformers

循环变换器中逐步数据归因

Georgios Kaissis, David Mildenberger, Juan Felipe Gomez, Martin J. Menten, Eleni Triantafillou

机构 * Hasso Plattner Institute for Digital Engineering, University of Potsdam（波恩大学数字工程研究所） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国理工学院） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出SDI方法，用于分析循环变换器中每个循环步骤对模型的影响，提升数据归因和可解释性能力。

Look-Ahead and Look-Back Flows: Training-Free Image Generation with Trajectory Smoothing

前瞻与回顾流：基于轨迹平滑的无训练图像生成

Yan Luo, Henry Huang, Todd Y. Zhou, Mengyu Wang

机构 * Harvard AI and Robotics Lab, Harvard University（哈佛人工智能与机器人实验室，哈佛大学） 纠错

AI总结 本文提出两种无训练轨迹平滑方法，通过优化潜在空间中的生成路径，在多个数据集上显著提升图像生成性能。

CoMMa: Contribution-Aware Medical Multi-Agents From A Game-Theoretic Perspective

从博弈论视角出发的贡献感知医疗多智能体：CoMMa

Yichen Wu, Yujin Oh, Sangjoon Park, Kailong Fan, Dania Daye, Hana Farzaneh, Xiang Li, Raul Uppot, Quanzheng Li

机构 * Center for Advanced Medical Computing（先进医学计算中心） ； Department of Radiology, Massachusetts General Hospital（放射科，马萨诸塞总医院） ； Harvard Medical School（哈佛医学院） ； Department of Radiation Oncology, Yonsei University College of Medicine（放射肿瘤科，延世大学医学院） ； Yonsei University（延世大学） ； Institute for Innovation in Digital Healthcare（数字医疗创新研究所） ； Interventional Radiology Academic Medical Centers, Mass General Brigham（介入放射学学术医疗中心，马萨诸塞总医院 Brigham） 纠错

AI总结 CoMMa从博弈论视角提出一种去中心化医疗多智能体框架，通过确定性嵌入投影实现贡献感知的信用分配，提升肿瘤学决策支持的准确性和稳定性。

Comments 9 pages, 3 figures

Cross-Modal Redundancy and the Geometry of Vision-Language Embeddings

跨模态冗余与视觉-语言嵌入的几何学

Grégoire Dhimoïla, Thomas Fel, Victor Boutin, Agustin Picard

机构 * Brown University（布朗大学） ； ENS Paris Saclay（巴黎萨克雷大学） ； IRT Saint Exupéry（IRT圣埃克苏佩里） ； Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） 纠错

AI总结 本文通过等能假设和对齐稀疏自编码器，揭示了视觉-语言模型中跨模态对齐的几何结构，发现稀疏双模态原子承载了跨模态对齐信号，单模态原子解释了模态差距，去除单模态原子可消除差距而不影响性能。

Comments Published as a conference paper at ICLR 2026

The Promptware Kill Chain: How Prompt Injections Gradually Evolved Into a Multistep Malware Delivery Mechanism

提示武器杀链：提示注入如何逐渐演变成多步骤恶意软件交付机制

Oleg Brodt, Elad Feldman, Bruce Schneier, Ben Nassi

机构 * Department of Software and Information Systems Engineering, Ben-Gurion University of the Negev（本·古里安大学软件与信息系统工程系） ； School of Electrical and Computer Engineering, Tel Aviv University（特拉维夫大学电气与计算机工程学院） ； Harvard Kennedy School, Harvard University, and Munk School, University of Toronto（哈佛大学哈佛肯尼迪学校及多伦多大学穆克学校） 纠错

AI总结 本文提出提示武器杀链模型，揭示提示注入演变为多步骤恶意软件攻击机制的过程，并提出针对各阶段的防御策略。

Implicit State Estimation via Video Replanning

通过视频重规划进行隐式状态估计

Po-Chen Ko, Jiayuan Mao, Yu-Hsiang Fu, Hsien-Jeng Yeh, Chu-Rong Chen, Wei-Chiu Ma, Yilun Du, Shao-Hua Sun

机构 * National Taiwan University（国立台湾大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学） ； Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） 纠错

AI总结 本文提出一种通过视频重规划实现隐式状态估计的框架，通过在线更新模型参数和过滤失败计划，提升复杂任务中的动态适应能力。

POCO: Scalable Neural Forecasting through Population Conditioning

POCO：通过群体条件实现可扩展的神经预测

Yu Duan, Hamza Tahir Chaudhry, Misha B. Ahrens, Christopher D Harvey, Matthew G Perich, Karl Deisseroth, Kanaka Rajan

机构 * EECS, MIT（MIT电子工程与计算机科学系） ； SEAS, Harvard University（哈佛大学科学与工程系） ； Janelia Research Campus（贾尔尼亚研究校园） ； Harvard Medical School（哈佛医学院） ； Kempner Institute（凯普纳研究所） ； Université de Montréal（蒙特利尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Stanford University（斯坦福大学） 纠错

AI总结 POCO通过结合轻量级预测器和群体编码器，实现跨会话神经预测，提升预测精度并揭示生物结构。

Journal ref Advances in Neural Information Processing Systems (2025)

Measuring and Controlling Solution Degeneracy across Task-Trained Recurrent Neural Networks

测量和控制任务训练的递归神经网络中的解退化

Ann Huang, Satpreet H. Singh, Flavio Martinelli, Kanaka Rajan

机构 * Harvard University（哈佛大学） ； Harvard Medical School（哈佛医学院） ； Kempner Institute（凯普纳研究所） ； EPFL（苏黎世联邦理工学院） 纠错

AI总结 本研究开发了统一框架，量化和控制任务训练RNN中的解退化，揭示任务复杂性和网络规模对解退化的影响。

Journal ref Advances in Neural Information Processing Systems (2025)

Universal Neural Optimal Transport

通用神经最优传输

Jonathan Geuter, Gregor Kornhardt, Ingimar Tomasson, Vaios Laschos

机构 * Harvard John A. Paulson School of Engineering and Applied Sciences（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Kempner Institute at Harvard University（哈佛大学凯门研究所） ； Weierstrass Institute, Berlin, Germany（魏尔斯特拉斯研究所） 纠错

AI总结 UNOT通过傅里叶神经算子和对抗训练，实现高效准确的最优传输距离和计划预测，并在Wasserstein空间几何和Sinkhorn算法初始化中表现出色。

Comments 37 pages, 19 figures, accepted to ICML 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:19196-19232, 2025