Harvard University（哈佛大学）

TFTF: Training-Free Targeted Flow for Conditional Sampling

TFTF：无训练目标流用于条件采样

Qianqian Qu, Jun S. Liu

机构 * Zhili College, Tsinghua University, Beijing, China（清华大学紫荆学院） ； Department of Statistics and Data Science, Tsinghua University, Beijing, China（清华大学统计与数据科学系） ； Department of Statistics, Harvard University, Cambridge, MA, USA（哈佛大学统计系） 纠错

AI总结 TFTF通过引入随机流和重采样技术，实现无训练条件采样，提升高维和多模态场景下的生成效果。

Human-Like Coarse Object Representations in Vision Models

视觉模型中的人类样粗粒物体表示

Andrey Gizdov, Andrea Procopio, Yichen Li, Daniel Harari, Tomer Ullman

机构 * Harvard University（哈佛大学） ； Weizmann Institute of Science（魏茨曼科学研究院） ； Bocconi University（博科尼大学） 纠错

AI总结 本文探讨了视觉模型中人类样粗粒物体表示的形成机制，通过实验发现资源限制而非特定偏见驱动该现象，并提出简单方法提升物理高效的表示。

Spectral Ghost in Representation Learning: from Component Analysis to Self-Supervised Learning

表示学习中的谱鬼怪：从成分分析到自监督学习

Bo Dai, Na Li, Dale Schuurmans

机构 * Google DeepMind（谷歌DeepMind） ； Georgia Tech（佐治亚理工学院） ； Harvard University（哈佛大学） ； University of Alberta（阿尔伯塔大学） 纠错

AI总结 本文提出了一种基于谱表示的统一框架，用于理解和改进表示学习，通过理论分析揭示现有SSL算法的本质并推动更高效的应用方法。

Comments 43 pages, 3 figures

Quantum Temporal Convolutional Neural Networks for Cross-Sectional Equity Return Prediction: A Comparative Benchmark Study

量子时序卷积神经网络用于横截面股票收益率预测：一种比较基准研究

Chi-Sheng Chen, Xinyu Zhang, En-Jui Kuo, Rong Fu, Qiuzhe Xie, Fan Zhang

机构 * Beth Israel Deaconess Medical Center \& Harvard Medical School, Boston, MA 02115 USA ； Luddy School of Informatics, Computing ； Engineering, Indiana University Bloomington, Bloomington, IN 47405 USA ； Institute of Electronics Engineering, National Taiwan University, 106319, Taiwan ； Department of Mathematics, Boise State University, Boise, ID 83702 USA ； Department of Electrophysics, National Yang Ming Chiao Tung University, 30010,Taiwan 纠错

AI总结 本文提出量子时序卷积神经网络QTCNN，通过结合经典时序编码器和量子卷积电路，实现对横截面股票收益率的高效预测，实验结果显示其夏普比率优于经典模型72%。