Princeton University（普林斯顿大学）

Fast convergence of a Federated Expectation-Maximization Algorithm

联邦期望-最大化算法的快速收敛性

Zhixu Tao, Rajita Chandak, Sanjeev Kulkarni

机构 * Institute of Mathematics, Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院数学研究所） ； Department of Operations Research and Financial Engineering（运筹学与金融工程系） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文研究了联邦学习中数据异质性对期望-最大化算法收敛速率的影响，通过联邦混合线性回归模型分析，证明在信号噪声比不低于√K时，初始化良好的EM算法在所有客户端数量和数据点数量下都能收敛到真实参数，实验验证了数据异质性可加速迭代联邦算法收敛。

Can we automatize scientific discovery in the cognitive sciences?

在认知科学中，我们能否自动化科学发现？

Akshay K. Jagadish, Milena Rmus, Kristin Witte, Marvin Mathony, Marcel Binz, Eric Schulz

机构 * Princeton AI Lab（普林斯顿人工智能实验室） ； Princeton University（普林斯顿大学） ； Institute for Human-Centered AI（以人为中心的人工智能研究所） ； Helmholtz Munich（海德堡-慕尼黑研究所） ； Ludwig-Maximilians-University（路德维希-马克西米利安大学） 纠错

AI总结 本文提出利用大语言模型实现认知科学的自动化发现流程，通过模拟行为数据和算法假设搜索，提高理论发展效率。

VideoAuto-R1: Video Auto Reasoning via Thinking Once, Answering Twice

VideoAuto-R1：通过一次推理、两次回答实现视频自动推理

Shuming Liu, Mingchen Zhuge, Changsheng Zhao, Jun Chen, Lemeng Wu, Zechun Liu, Chenchen Zhu, Zhipeng Cai, Chong Zhou, Haozhe Liu, Ernie Chang, Saksham Suri, Hongyu Xu, Qi Qian, Wei Wen, Balakrishnan Varadarajan, Zhuang Liu, Hu Xu, Florian Bordes, Raghuraman Krishnamoorthi, Bernard Ghanem, Vikas Chandra, Yunyang Xiong

机构 * Meta AI ； King Abdullah University of Science and Technology (KAUST)（卡布斯大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出VideoAuto-R1框架，通过一次推理两次回答策略提升视频理解效率，实现准确率和效率的双重提升。

Comments Accepted to CVPR 2026. Project page: https://ivul-kaust.github.io/projects/videoauto-r1/

UniLiPs: Unified LiDAR Pseudo-Labeling with Geometry-Grounded Dynamic Scene Decomposition

UniLiPs: 基于几何引导的动态场景分解的统一激光雷达伪标签方法

Filippo Ghilotti, Samuel Brucker, Nahku Saidy, Matteo Matteucci, Mario Bijelic, Felix Heide

机构 * TORC Robotics（TORC机器人公司） ； Politecnico of Milan（米兰理工学院） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出UniLiPs方法，通过利用激光雷达扫描的时空几何一致性，将文本和2D视觉模型的线索直接融合到3D中，生成3D语义标签、包围盒和密集点云，验证了其在三个数据集上的鲁棒性。

Journal ref Proceedings of the International Conference on 3D Vision (3DV), 2026

An evolutionary perspective on modes of learning in Transformers

Transformer中学习模式的进化视角

Alexander Y. Ku, Thomas L. Griffiths, Stephanie C. Y. Chan

机构 * Google DeepMind（谷歌DeepMind） ； Department of Psychology, Princeton University（普林斯顿大学心理学系） 纠错

AI总结 研究通过控制任务环境稳定性与提示可靠性，探讨Transformer中永久参数优化与上下文学习策略的适应性差异及任务依赖的策略转换机制。

Levels of Analysis for Large Language Models

大型语言模型的分析层次

Alexander Y. Ku, Declan Campbell, Xuechunzi Bai, Jiayi Geng, Ryan Liu, Raja Marjieh, R. Thomas McCoy, Andrew Nam, Ilia Sucholutsky, Veniamin Veselovsky, Liyi Zhang, Jian-Qiao Zhu, Thomas L. Griffiths

机构 * Department of Psychology, Princeton University（普林斯顿大学心理学系） ； Princeton Neuroscience Institute, Princeton University（普林斯顿神经科学研究所） ； Department of Psychology, The University of Chicago（芝加哥大学心理学系） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Department of Linguistics, Yale University（耶鲁大学语言学系） ； Princeton Laboratory for Artificial Intelligence, Princeton University（普林斯顿人工智能实验室） ； Center for Data Science, New York University（纽约大学数据科学中心） 纠错

AI总结 本文提出基于David Marr分析层次框架，利用认知科学方法理解大型语言模型的结构与行为，提供分析工具以应对AI理解难题。