Massachusetts Institute of Technology（麻省理工学院）

Subliminal Effects in Your Data: A General Mechanism via Log-Linearity

数据中的潜意识效应：通过对数线性性的一般机制

Ishaq Aden-Ali, Noah Golowich, Allen Liu, Abhishek Shetty, Ankur Moitra, Nika Haghtalab

机构 * University of California, Berkeley（加州大学伯克利分校） ； Microsoft Research（微软研究院） ； Courant Institute, New York University（纽约大学Courant研究所） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文提出Logit-Linear-Selection方法，揭示数据集中的隐藏效应机制，通过选择特定子集使模型表现出多样化行为。

Comments Code available at https://github.com/ishaqadenali/logit-linear-selection

Forget to Generalize: Iterative Adaptation for Generalization in Federated Learning

忘却以泛化：用于联邦学习中泛化的迭代适应

Abdulrahman Alotaibi, Irene Tenison, Miriam Kim, Isaac Lee, Lalana Kagal

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Harvard College（哈佛大学） ； Imperial College London（帝国理工学院伦敦分校） 纠错

AI总结 本文提出迭代联邦适应方法，通过生成层面的忘却和进化策略提升联邦学习在非iid数据下的泛化能力，实验表明在多个数据集上平均提升21.5%。

First-Principles AI finds crystallization of fractional quantum Hall liquids

从原理出发的AI发现分数量子霍尔液体的结晶

Ahmed Abouelkomsan, Liang Fu

机构 * Department of Physics, Massachusetts Institute of Technology, Cambridge, MA-02139, USA（麻省理工学院物理系） 纠错

AI总结 MagNet 通过从原理出发的 AI 方法，在强朗德-勒夫混合 regime 中发现分数量子霍尔液体和电子晶体的基态。

Comments 5 pages + SM

Decoding Ambiguous Emotions with Test-Time Scaling in Audio-Language Models

通过测试时间缩放解码模糊情绪在音频-语言模型中

Hong Jia, Weibin Li, Jingyao Wu, Xiaofeng Yu, Yan Gao, Jintao Cheng, Xiaoyu Tang, Feng Xia, Ting Dang

机构 * University of Melbourne（墨尔本大学） ； University of Auckland（奥克兰大学） ； South China Normal University（华南师范大学） ； MIT（麻省理工学院） ； University of Cambridge（剑桥大学） ； RMIT（皇家墨尔本理工大学） 纠错

AI总结 本文提出首个基于测试时间缩放的音频语言模型模糊情绪识别基准，系统比较了八种ALMs和五种TTS策略，揭示了模型容量与情感模糊性之间的交互挑战。

PaTH Attention: Position Encoding via Accumulating Householder Transformations

PaTH Attention: 通过累积Householder变换实现位置编码

Songlin Yang, Yikang Shen, Kaiyue Wen, Shawn Tan, Mayank Mishra, Liliang Ren, Rameswar Panda, Yoon Kim

机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Watson AI Lab（MIT-IBM Watson人工智能实验室） ； Stanford University（斯坦福大学） ； Microsoft（微软公司） 纠错

AI总结 PaTH Attention通过累积Householder变换实现数据依赖的位置编码，提升Transformer模型的表达能力。

Comments NeurIPS 2025 camera ready

Beyond speculation: Measuring the growing presence of LLM-generated texts in multilingual disinformation

超越猜测：测量大型语言模型生成文本在多语言虚假信息中的增长

Dominik Macko, Aashish Anantha Ramakrishnan, Jason Samuel Lucas, Robert Moro, Ivan Srba, Adaku Uchendu, Dongwon Lee

机构 * Kempelen Institute of Intelligent Technologies（智能技术研究所） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； MIT Lincoln Laboratory（麻省理工学院林赛实验室） 纠错

AI总结 本研究通过实证数据证明了LLM在多语言虚假信息中的增长，揭示了不同语言、平台和时间周期中的关键模式。

Comments accepted to Computer magazine

Journal ref Computer (Volume: 59, Issue: 2, February 2026)

Learning with Exact Invariances in Polynomial Time

在多项式时间内学习精确不变性

Ashkan Soleymani, Behrooz Tahmasebi, Stefanie Jegelka, Patrick Jaillet

机构 * School of CIT, MCML（信息科技学院、微系统实验室） ； MDSI, Technical University of Munich (TUM)（慕尼黑工业大学微系统研究所） ； MIT EECS（麻省理工学院电子工程与计算机科学系） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT LIDS（麻省理工学院媒体实验室） 纠错

AI总结 本文提出了一种在多项式时间内实现精确不变性的算法，通过利用输入空间的几何属性，达到与核回归相同的泛化误差，是该领域首个实现精确不变性的多项式时间方法。

Journal ref International Conference on Machine Learning (ICML) 2025

A Universal Class of Sharpness-Aware Minimization Algorithms

一种通用的锐度感知最小化算法类

Behrooz Tahmasebi, Ashkan Soleymani, Dara Bahri, Stefanie Jegelka, Patrick Jaillet

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT LIDS（麻省理工学院领导力与决策科学研究所） ； MIT（麻省理工学院） ； TU Munich（慕尼黑技术大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出了一种通用的锐度感知最小化算法类，通过引入新的锐度度量，解决了神经网络中参数不变性问题，并展示了Frob-SAM和Det-SAM等实例。

Comments ICML 2024. Code is available at http://github.com/dbahri/universal_sam

Journal ref International Conference on Machine Learning (ICML) 2024

Policy Learning with a Language Bottleneck

具有语言瓶颈的策略学习

Megha Srivastava, Cedric Colas, Dorsa Sadigh, Jacob Andreas

机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Inria（法国国家信息与自动化技术研究院） 纠错

AI总结 通过语言瓶颈框架，AI代理能生成可解释的策略规则，提升与人类的协作效率。

Comments Accepted to TMLR (2026)

Sample Complexity Bounds for Estimating Probability Divergences under Invariances

在不变性下估计概率分歧的样本复杂度界限

Behrooz Tahmasebi, Stefanie Jegelka

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； TU Munich（慕尼黑工业大学） 纠错

AI总结 本文研究了在不变性下估计概率分歧的样本复杂度，发现群不变性可减少样本复杂度并提高收敛率。

Comments ICML 2024

Journal ref International Conference on Machine Learning (ICML) 2024