arXivDaily arXiv每日学术速递 周一至周五更新

高校专区

Massachusetts Institute of Technology(麻省理工学院)

2025-12-03 至 2025-12-03 共收录 8
2512.02777 2025-12-03 cs.RO cs.MA

CogDrive: Cognition-Driven Multimodal Prediction-Planning Fusion for Safe Autonomy

CogDrive: 基于认知的多模态预测-规划融合用于安全自主性

Heye Huang, Yibin Yang, Mingfeng Fan, Haoran Wang, Xiaocong Zhao, Jianqiang Wang

机构 * Singapore-MIT Alliance for Research and Technology (SMART), Singapore(新加坡-麻省理工联合研究技术联盟) Department of Urban Studies and Planning, Massachusetts Institute of Technology, USA(麻省理工学院城市研究与规划系) School of Vehicle and Mobility, Tsinghua University, China(清华大学车辆与移动系统学院) Department of Mechanical Engineering, National University of Singapore, Singapore(新加坡国立大学机械工程系) Key Laboratory of Road and Traffic Engineering, Ministry of Education, Tongji University, China(同济大学交通工程重点实验室)

AI总结 CogDrive通过结合认知多模态预测与安全导向规划,实现了在复杂交通中的安全自主性,提升了轨迹预测和适应性行为。

Comments 25 pages, 6 figures

详情

展开后加载摘要…

URL PDF HTML 收藏
2512.02621 2025-12-03 cs.CV cs.GR

Content-Aware Texturing for Gaussian Splatting

具有内容感知的高斯点散布纹理生成

Panagiotis Papantonakis, Georgios Kopanas, Fredo Durand, George Drettakis

机构 * Inria(法国国家信息与自动化技术研究院) Université Côte D’Azur(蔚蓝海岸大学) Google(谷歌) Runway ML(Runway机器学习) MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)

AI总结 本文提出了一种基于内容感知的高斯点散布纹理生成方法,通过自适应调整纹理分辨率来提高图像质量和参数效率。

Comments Project Page: https://repo-sam.inria.fr/nerphys/gs-texturing/

Journal ref Eurographics Symposium on Rendering (Symposium Track), 2025

详情

展开后加载摘要…

URL PDF HTML 收藏
2511.21890 2025-12-03 stat.ML cs.LG

Sparse Multiple Kernel Learning: Alternating Best Response and Semidefinite Relaxations

稀疏多核学习:交替最佳响应与半正定松弛

Dimitris Bertsimas, Caio de Prospero Iglesias, Nicholas A. G. Johnson

机构 * Massachusetts Institute of Technology(麻省理工学院)

AI总结 本文提出了一种稀疏多核学习方法,通过交替最佳响应算法和半正定松弛,实现高效且精确的核选择与优化。

Comments Transactions on Machine Learning Research (2025)

详情

展开后加载摘要…

URL PDF HTML 收藏
2512.02279 2025-12-03 cs.LG cs.DS

Limitations of Membership Queries in Testable Learning

测试学习中成员查询的局限性

Jane Lange, Mingda Qiao

机构 * MIT(麻省理工学院) UMass Amherst(马萨诸塞大学阿姆赫斯特分校)

AI总结 该研究揭示了在测试学习模型中,成员查询无法进一步降低时间复杂度,并证明了基于统计查询的算法无法实现测试学习。

Comments Conference: ITCS 2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2512.02214 2025-12-03 cs.LG cs.AI

Improved Training Mechanism for Reinforcement Learning via Online Model Selection

通过在线模型选择改进强化学习的训练机制

Aida Afshar, Aldo Pacchiano

机构 * Boston University(波士顿大学) Broad Institute of MIT and Harvard(MIT和哈佛大学Broad研究所)

AI总结 本文提出通过在线模型选择改进强化学习训练,提升效率和性能,探讨了资源分配、非平稳动态适应及训练稳定性等理论问题,并通过实验验证。

详情

展开后加载摘要…

URL PDF HTML 收藏
2512.02194 2025-12-03 cs.LG cs.AI

Enforcing Orderedness to Improve Feature Consistency

强制有序性以提高特征一致性

Sophie L. Wang, Alex Quach, Nithin Parsan, John J. Yang

机构 * Massachusetts Institute of Technology(麻省理工学院) Reticular

AI总结 OSAE通过强制潜在特征的严格顺序和确定性使用维度,提升稀疏自编码器的特征一致性。

详情

展开后加载摘要…

URL PDF HTML 收藏
2512.01463 2025-12-03 cs.AR cs.LG hep-ex

hls4ml: A Flexible, Open-Source Platform for Deep Learning Acceleration on Reconfigurable Hardware

hls4ml:一种灵活、开源的深度学习在可重构硬件上加速平台

Jan-Frederik Schulte, Benjamin Ramhorst, Chang Sun, Jovan Mitrevski, Nicolò Ghielmetti, Enrico Lupi, Dimitrios Danopoulos, Vladimir Loncar, Javier Duarte, David Burnette, Lauri Laatu, Stylianos Tzelepis, Konstantinos Axiotis, Quentin Berthet, Haoyan Wang, Paul White, Suleyman Demirsoy, Marco Colombo, Thea Aarrestad, Sioni Summers, Maurizio Pierini, Giuseppe Di Guglielmo, Jennifer Ngadiuba, Javier Campos, Ben Hawks, Abhijith Gandrakota, Farah Fahim, Nhan Tran, George Constantinides, Zhiqiang Que, Wayne Luk, Alexander Tapper, Duc Hoang, Noah Paladino, Philip Harris, Bo-Cheng Lai, Manuel Valentin, Ryan Forelli, Seda Ogrenci, Lino Gerlach, Rian Flynn, Mia Liu, Daniel Diaz, Elham Khoda, Melissa Quinnan, Russell Solares, Santosh Parajuli, Mark Neubauer, Christian Herwig, Ho Fung Tsoi, Dylan Rankin, Shih-Chieh Hsu, Scott Hauck

机构 * Purdue University(普渡大学) ETH Zurich(苏黎世联邦理工学院) California Institute of Technology(加州理工学院) Fermi National Accelerator Lab(费米国家加速器实验室) European Organization for Nuclear Research (CERN)(欧洲核子研究中心) University of California San Diego(加州大学圣地亚哥分校) Imperial College London(伦敦帝国理工学院) National Technical University of Athens(希腊国家技术大学) University of Geneva(日内瓦大学) Altera Corporation(阿尔特拉公司) Discovery Partners Institute(发现伙伴研究所) Massachusetts Institute of Technology(麻省理工学院) National Yang Ming Chiao Tung University(国立阳明交通大学) Northwestern University(西北大学) Princeton University(普林斯顿大学) University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校) University of Michigan(密歇根大学) University of Pennsylvania(宾夕法尼亚大学) University of Washington(华盛顿大学)

AI总结 hls4ml是一种开源平台,用于将深度学习模型转换为可重构硬件上的HLS代码,以实现低延迟、低资源消耗的ML推理加速。

详情

展开后加载摘要…

URL PDF HTML 收藏
2412.06540 2025-12-03 cs.LG cs.AI stat.ML

Sloth: scaling laws for LLM skills to predict multi-benchmark performance across families

Sloth: LLM技能的缩放定律用于跨家族预测多基准性能

Felipe Maia Polo, Seamus Somerstep, Leshem Choshen, Yuekai Sun, Mikhail Yurochkin

机构 * Department of Statistics, University of Michigan(密歇根大学统计学系) MIT-IBM Watson AI Lab, IBM Research(MIT-IBM Watson AI实验室,IBM研究) Computer Science and Artificial Intelligence Laboratory, MIT(MIT计算机科学与人工智能实验室) Institute of Foundation Models, MBZUAI(基础模型研究所,MBZUAI)

AI总结 Sloth提出一种基于低维潜在技能的LLM缩放定律,通过跨基准相关性提升预测准确性,减少多家族训练需求。

Comments NeurIPS 2025

详情

展开后加载摘要…

URL PDF HTML 收藏