Johns Hopkins University（约翰斯·霍普金斯大学）

VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning

VBVR-Pro：用于原生视觉推理的可扩展且可验证工具套件

Junxiang Xu, Ruisi Wang, Fanyi Pu, Maijunxian Wang, Ran Ji, Tongxi Zhou, Chenyang Gu, Jing Zuo, Hongcan Xiao, Yimeng Geng, Wanqi Yin, Wei Chen, Oscar Qian, Zhengan Yan, Ziqi Huang, Haiwen Diao, Liang Pan, Bo Li, Xiangyu Fan, Dezhi Luo, Fengyuan Yu, Zehong Zhao, Qingying Gao, Tinghui Zhu, Yilan Zhang, Jingqi Tong, Pinyuan Feng, Zhengze Jiang, Letian Wang, Ziyu Guo, Renrui Zhang, Jieneng Chen, Sonia Joseph, Constantin Venhoff, Saman Motamed, Mengyue Yang, Chandra Sripada, Alan Yuille, Philip Torr, Lvmin Zhang, Vikash Kumar, Daniel Khashabi, Nikolaus Kriegeskorte, Raphaël Millière, Vincent C. Müller, Anyi Rao, Quan Wang, Ziwei Liu, Dahua Lin, Lei Yang, Hokin Deng, Zhongang Cai

机构 * Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； The University of Tokyo（东京大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Michigan（密歇根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California, Davis（加州大学戴维斯分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） 纠错

AI总结 本研究提出VBVR-Pro，一个可扩展可验证的原生视觉推理闭环测试平台，含300个生成任务、确定性评分器及多生成器机制研究，训练模型在多视觉推理基准上迁移性强，发布全部相关资源。

Comments Homepage: this https URL (https://video-reason.com/)

Where to Look Matters: On-Policy Self-Distillation for Long-Video Understanding

关注何处至关重要：面向长视频理解的策略内自蒸馏

Kaishen Wang, Dongdi Zhao, Yijun Liang, Dingqiang Ye, Ruibo Chen, Heng Huang, Di Fu

机构 * University of Maryland（马里兰大学） ； Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

AI总结 该研究针对长视频理解中全视频冗余干扰问题，提出Clue-OPSD线索特权策略内自蒸馏框架，无需线索标注，可提升模型准确率并优于相关基线。

Comments 15 pages, 8 figures, 5 tables

Two Dimensions Govern Agnostic Multiclass Transductive Learning

两个维度支配不可知多类直推学习

Pahan Dewasurendra

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

AI总结 该研究解决了不可知多类直推学习的极小极大速率问题，证明其与不可知多类PAC学习遵循相同的双维法则，给出了最优超额误差的上界及必要条件。

MulVec: Fine-Grained Role-Aware Matching for Training-Free Zero-Shot Composed Image Retrieval

MulVec：用于无训练零样本组合图像检索的细粒度角色感知匹配

Zihao Zhang, Dayan Wu, Xinze Liu, Hengjie Zhu, Yiliang Zhu, Ding Wang, Peng Fu, Zheng Lin, Weiping Wang

机构 * Institute of Information Engineering, CAS（中国科学院信息工程研究所） ； Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

AI总结 提出MULVEC方法，通过结构化查询的四个检索角色进行细粒度匹配，在三个图像检索数据集及三种骨干规模下提升了零样本组合图像检索性能。

Representing MAX functions using two-hidden-layer ReLU networks

用双隐藏层ReLU网络表示MAX函数

Zhimao Wang, Amitabh Basu

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

AI总结 该研究针对MAX_N函数的双隐藏层ReLU网络表示问题，通过计算机辅助搜索独立得到MAX₅至MAX₈的表示，与近期Ruess等人的成果存在细微差异，为相关研究提供了新进展。