Gauss-Newton Unlearning for the LLM Era
大语言模型时代的Gauss-Newton反学习
机构 * University of Toronto（多伦多大学） ； MIT（麻省理工学院） ； Vector Institute for Artificial Intelligence（人工智能向量研究所）
AI总结 K-FADE通过K-FAC近似实现大语言模型的高效反学习，减少遗忘集影响的同时保留保留集行为。
Comments 18 pages
高校专区
University of Toronto（多伦多大学）
ArtisanGS: Interactive Tools for Gaussian Splat Selection with AI and Human in the Loop
ArtisanGS: 带有AI和人机协作的高斯点选择交互工具
机构 * NVIDIA ； NVIDIA Canada（NVIDIA 加拿大） ； University of Toronto Canada（多伦多大学 加拿大） ； NVIDIA France（NVIDIA 法国） ； University of Toronto（多伦多大学） ； Institute for Clarity in Documentation Dublin Ohio USA（文档清晰研究所 俄亥俄州 大致） ； Inria Paris-Rocquencourt（法国巴黎-罗克琴特研究所） ； Rajiv Gandhi University Doimukh Arunachal Pradesh India（拉吉夫·甘地大学 亚当穆克 阿鲁纳恰尔邦 印度） ； Tsinghua University Haidian Qu Beijing Shi China（清华大学 海淀区 北京市 中国） ； Palmer Research Laboratories San Antonio Texas USA（帕勒研究中心 肯塔基州 威斯康星州 美国）
AI总结 ArtisanGS通过交互式工具实现高斯点选择与分割，结合AI与人工干预，提供灵活的局部编辑功能，适用于真实场景中的可控编辑。
Comments 12 pages, includes supplementary material
Order from Chaos: Physical World Understanding from Glitchy Gameplay Videos
秩序从混沌：从 glitchy 游戏视频中理解物理世界
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Peking University（北京大学） ； University of Toronto（多伦多大学） ； Sun Yat-sen University（孙中山大学）
AI总结 本文提出 PhysGame 数据集和 GameBench 基准，通过利用游戏视频中的 glitch 异常，提升物理推理能力，实验显示在多个基准上取得显著提升。
Comments Accepted by TMLR
Directional Convergence, Benign Overfitting of Gradient Descent in leaky ReLU two-layer Neural Networks
方向收敛，梯度下降在漏损ReLU两层神经网络中的良性过拟合
机构 * Department of Statistical Sciences University of Toronto（统计科学系多伦多大学）
AI总结 本文研究了漏损ReLU两层神经网络中梯度下降在混合数据下的良性过拟合条件，并揭示了新的相变现象。
Comments 41 pages, Accepted at International Conference on Learning Representations 2026 (ICLR 2026)
When Speculation Spills Secrets: Side Channels via Speculative Decoding In LLMs
当猜测泄露秘密：通过猜测解码的侧信道在大语言模型中
机构 * University of Toronto（多伦多大学）
AI总结 研究揭示了通过猜测解码在大语言模型中泄露用户信息的侧信道，并提出缓解措施。
