Concept Influence: Leveraging Interpretability to Improve Performance and Efficiency in Training Data Attribution
概念影响：利用可解释性以提高训练数据归因的性能和效率
机构 * EleutherAI ； University of Toronto（多伦多大学）
AI总结 本文提出概念影响方法，通过利用模型中的可解释结构，提高训练数据归因的性能和效率，实现更可扩展和可控的模型行为。
高校专区
University of Toronto（多伦多大学）
Radial-VCReg: More Informative Representation Learning Through Radial Gaussianization
径向VCReg：通过径向高斯化获得更具信息量的表示学习
机构 * New York University（纽约大学） ； Duke University（杜克大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Brown University（布朗大学） ； University of Toronto（多伦多大学）
AI总结 Radial-VCReg通过引入径向高斯化损失，提升表示学习的信息量和多样性，改进自监督学习性能。
Comments Published in the Unifying Representations in Neural Models (UniReps) and Symmetry and Geometry in Neural Representations (NeurReps) Workshops at NeurIPS 2025
Energy-Efficient Over-the-Air Federated Learning via Pinching Antenna Systems
通过压紧天线系统实现节能的空中联邦学习
机构 * University of Toronto（多伦多大学）
AI总结 本文提出利用压紧天线系统降低空中联邦学习的能耗，通过低复杂度算法优化PASS参数和设备调度，实验表明其在能量效率上优于传统MIMO服务器。
Comments To be presented at IEEE International Conference on Communications (ICC 2026): Symposium on Next Generation Multiple Access. 6 pages, 3 algorithms, 3 figures
Why Self-Training Helps and Hurts: Denoising vs. Signal Forgetting
为何自训练有助于和有害：去噪与信号遗忘
机构 * Mcgill University（麦吉尔大学） ； University of Toronto（多伦多大学）
AI总结 研究揭示了自训练在过参数化线性回归中的去噪与信号遗忘的权衡，通过递归分析预测风险和有效噪声，推导出U型测试风险曲线及最优早停时间，提出迭代广义交叉验证标准以实现数据驱动的正则化选择。
Comments 8 pages main, 29 pages in total
String-Level Ground Fault Localization for TN-Earthed Three-Phase Photovoltaic Systems
相级接地故障定位方法用于TN接地三相光伏系统
机构 * Huawei Montreal Research Centre, Huawei Technologies Canada Co., LTD（华为蒙特利尔研究中心，华为技术加拿大有限公司） ； Department of Electrical & Computer Engineering, University of Toronto（电气与计算机工程系，多伦多大学）
AI总结 本文提出了一种基于边缘AI的接地故障定位方法，通过仿真生成多种故障场景，利用变分信息瓶颈模型实现高准确率的故障定位，适用于资源受限的光伏逆变器。
Paraphrase Types Elicit Prompt Engineering Capabilities
同义词类型激发提示工程能力
机构 * University of Göttingen（戈丁根大学） ； University of Toronto（多伦多大学）
AI总结 本研究通过分析同义词类型对提示工程的影响，发现特定语言变化可提升语言模型的任务表现。
Journal ref EMNLP 2024
Nighttime Autonomous Driving Scene Reconstruction with Physically-Based Gaussian Splatting
夜间自动驾驶场景重建与基于物理的高斯点云
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学）
AI总结 本文提出基于物理的高斯点云方法，提升自动驾驶夜间场景重建质量，实现实时渲染并优于现有方法。
Comments ICRA 2026
