Johns Hopkins University（约翰斯·霍普金斯大学）

Towards Controllable Video Synthesis of Routine and Rare OR Events

面向常规和罕见OR事件可控视频合成

Dominik Schneider, Lalithkumar Seenivasan, Sampath Rapuri, Vishalroshan Anil, Aiza Maksutova, Yiqing Shen, Jan Emily Mangulabnan, Hao Ding, Jose L. Porras, Masaru Ishii, Mathias Unberath

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Technical University Munich（慕尼黑技术大学） ； Johns Hopkins Medical Institutions（约翰霍普金斯医学机构） 纠错

AI总结 本文提出了一种可控视频合成框架，用于生成手术室中常规和罕见事件，以支持环境智能模型的发展。

Comments Accepted to IPCAI 2026 and submitted to IJCARs

SELAUR: Self Evolving LLM Agent via Uncertainty-aware Rewards

通过不确定性感知奖励实现的自进化大语言模型代理

Dengjia Zhang, Xiaoou Liu, Lu Cheng, Yaqing Wang, Kenton Murray, Hua Wei

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Arizona State University（亚利桑那州立大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Purdue University（普渡大学） 纠错

AI总结 SELAUR通过将不确定性直接融入奖励设计，提升大语言模型在多步决策中的探索效率和学习稳定性。

Comments Accepted by PAKDD'26

Minimax Rates for Learning Pairwise Interactions in Attention-Style Models

注意力式模型中成对交互学习的最小最大速率

Shai Zucker, Xiong Wang, Fei Lu, Inbar Seroussi

机构 * Department of Applied Mathematics, Tel Aviv University（特拉维夫大学应用数学系） ； School of Mathematics, Sun Yat-sen University（中山大学数学学院） ； Department of Mathematics, Johns Hopkins University（约翰霍普金斯大学数学系） ； School of Computer Science, Tel Aviv University（特拉维夫大学计算机科学学院） 纠错

AI总结 本文研究了注意力式模型中学习成对交互的最小最大速率，得出了与样本量和参数设置无关的收敛速率公式，并揭示了注意力机制的统计效率。

DOTResize: Reducing LLM Width via Discrete Optimal Transport-based Neuron Merging

DOTResize: 通过基于离散最优传输的神经元合并减少LLM宽度

Neha Verma, Kenton Murray, Kevin Duh

机构 * Center for Language and Speech Processing, Johns Hopkins University, Baltimore, MD, USA（语言与语音处理中心，约翰霍普金斯大学，巴尔的摩，MD，美国） ； Human Language Technology Center of Excellence, Johns Hopkins University, Baltimore, MD, USA（人工智能语言技术卓越中心，约翰霍普金斯大学，巴尔的摩，MD，美国） 纠错

AI总结 DOTResize通过离散最优传输方法实现神经元宽度缩减，作为剪枝的补充手段，有效降低计算成本。