University of Michigan（密歇根大学安娜堡分校）

Inverse problems with diffusion models: MAP estimation via mode-seeking loss

逆问题与扩散模型：通过模式寻求损失进行MAP估计

Sai Bharath Chandra Gutha, Ricardo Vinuesa, Hossein Azizpour

机构 * KTH Royal Institute of Technology, Sweden（皇家理工学院） ； University of Michigan, USA（密歇根大学） ； Science for Life Laboratory, Sweden（科学生命实验室） 纠错

AI总结 本文提出基于扩散模型的逆问题求解方法，通过变分模式寻求损失实现高效MAP估计，提升图像恢复性能与计算效率。

Learning to Guarantee Type Correctness in Code Generation through Type-Guided Program Synthesis

通过类型引导的程序合成学习保证类型正确性

Zhechong Huang, Zhao Zhang, Ruyi Ji, Tingxuan Xia, Qihao Zhu, Qinxiang Cao, Zeyu Sun, Wiggin Zhou, Yingfei Xiong

机构 * Peking University（北京大学） ； University of Michigan（密歇根大学） ； Shanghai Jiao Tong University（上海交通大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； Tencent（腾讯） 纠错

AI总结 TyFlow 通过内部化类型推理，提升代码生成的类型正确性与功能正确性。

SWE-Dev: Evaluating and Training Autonomous Feature-Driven Software Development

SWE-Dev：评估和训练自主的基于特征驱动的软件开发

Yaxin Du, Yuzhu Cai, Yifan Zhou, Cheng Wang, Yu Qian, Xianghe Pang, Qian Liu, Yue Hu, Siheng Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Michigan（密歇根大学） 纠错

AI总结 SWE-Dev是一个大规模数据集，用于评估和训练自主编码系统在特征驱动软件开发中的能力，通过提供可运行环境和单元测试提升模型性能。

Probing Perceptual Constancy in Large Vision-Language Models

探测大型视觉-语言模型中的知觉恒常性

Haoran Sun, Bingyang Wang, Suyang Yu, Yijiang Li, Qingying Gao, Haiyun Lyu, Lianyu Huang, Zelong Hong, Jiahui Ge, Qianli Ma, Hang He, Yifan Zhou, Lingzi Guo, Lantao Mei, Maijunxian Wang, Dezhi Luo, Hokin Deng

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Emory University（埃默里大学） ； University of Washington（华盛顿大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Michigan（密歇根大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文研究了大型视觉-语言模型在颜色、大小和形状恒常性任务中的表现，发现模型在不同任务上的性能存在显著差异。

Comments Under Review

Emergent Low-Rank Training Dynamics in MLPs with Smooth Activations

多层感知机中平滑激活函数下的低秩训练动态的涌现

Alec S. Xu, Can Yaras, Matthew Asato, Qing Qu, Laura Balzano

机构 * University of Michigan（密歇根大学） ； EECS Department, University of Michigan, Ann Arbor, MI, USA（密歇根大学电子工程与计算机科学系） 纠错

AI总结 本文研究了多层感知机中平滑激活函数下的低秩训练动态，揭示了权重动态在低维子空间中的集中现象，并展示了低秩参数化在分类任务中的有效性。

Comments 41 pages, 15 figures