LRD-MPC: Efficient MPC Inference through Low-rank Decomposition
LRD-MPC: 通过低秩分解实现高效的MPC推断
机构 * University of Southern California（南加州大学）
AI总结 LRD-MPC通过低秩分解和优化技术，显著提升MPC在深度学习中的推断效率，减少通信开销和计算资源消耗。
高校专区
University of Southern California（南加州大学）
Differentially Private Retrieval-Augmented Generation
差分隐私增强的检索增强生成
机构 * University of Southern California（南加州大学）
AI总结 DP-KSA 是一种整合差分隐私的检索增强生成算法，通过关键词增强减少隐私风险并保持实用性。
Experiential Reinforcement Learning
经验强化学习
机构 * University of Southern California（南加州大学） ； Microsoft（微软公司） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 经验强化学习通过显式经验-反思-巩固循环提升语言模型在稀疏奖励环境中的学习效率和性能。
Comments 26 pages, 9 tables, 7 figures
voice2mode: Phonation Mode Classification in Singing using Self-Supervised Speech Models
voice2mode：基于自监督语音模型的歌唱发声模式分类
机构 * University of Birmingham, School of Computer Science, Birmingham, UK（伯明翰大学计算机科学学院） ； Carnegie Mellon University, Information Systems, Doha, Qatar（卡内基梅隆大学信息系统） ； University of Southern California, Department of Electrical（南加州大学电气工程系）
AI总结 voice2mode利用自监督语音模型提取的嵌入对四种歌唱发声模式进行分类，实验表明基础模型特征在准确率上显著优于传统方法。
Comments Accepted to the Speech, Music and Mind (SMM26) workshop at the IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026). This is the preprint version of the paper to appear in the proceedings
GSRM: Generative Speech Reward Model for Speech RLHF
GSRM：生成式语音奖励模型用于语音强化学习反馈机制
机构 * Meta Superintelligence Labs（Meta超智能实验室） ； Massachusetts Institute of Technology（麻省理工学院） ； Arizona State University（亚利桑那州立大学） ； University of Southern California（南加州大学）
AI总结 GSRM通过生成式语音奖励模型提升语音生成的自然度，利用可解释的推理链实现更准确的自然度评估。
The Agentic Leash: Extracting Causal Feedback Fuzzy Cognitive Maps with LLMs
代理缰绳：利用大语言模型提取因果反馈模糊认知图
机构 * University of Southern California（南加州大学） ； Florida International University（佛罗里达国际大学）
AI总结 本文提出利用LLM代理系统提取因果反馈模糊认知图，通过三步过程生成与人类生成的FCM具有相同平衡特性的动态系统。
Comments 15 figures
Writing in Symbiosis: Mapping Human Creative Agency in the AI Era
共生写作：人工智能时代人类创造性自主性的映射
机构 * Department of Computer Science University of Southern California（计算机科学系美国南加州大学）
AI总结 本文探讨了人工智能时代人类创造性自主性的共生写作模式，通过分析纵向写作数据揭示了作者与AI风格的适应性变化。
Comments Advances in Neural Information Processing Systems (NeurIPS 2025)
Latent Denoising Makes Good Tokenizers
潜在去噪使分词器更有效
机构 * USC（美国南加州大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Google DeepMind（谷歌DeepMind） ； OpenAI
AI总结 本文提出通过潜在去噪目标优化分词器，提升生成模型的生成质量。
Comments Code is available at: https://github.com/Jiawei-Yang/DeTok
Comparing Classifiers: A Case Study Using PyCM
比较分类器：使用PyCM进行案例研究
机构 * Open Science Laboratory（开放科学实验室） ； Department of Computer Science, University of Southern California（计算机科学系，南加州大学）
AI总结 本文通过PyCM库探讨了多类分类器的评估方法，强调多维评估框架在揭示模型性能细微差异中的重要性。
Comments 13 pages, 3 figures, 2 tables
TemporalBench: A Benchmark for Evaluating LLM-Based Agents on Contextual and Event-Informed Time Series Tasks
TemporalBench: 一个用于评估基于LLM的智能体在上下文和事件驱动的时间序列任务中的基准
机构 * University of Southern California（美国南加州大学）
AI总结 TemporalBench是一个多领域基准，用于评估基于LLM的智能体在上下文和事件驱动的时间序列任务中的时序推理能力。
How to Train Your Resistive Network: Generalized Equilibrium Propagation and Analytical Learning
如何训练你的电阻网络：通用平衡传播与解析学习
机构 * Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, CA, USA（明希德电气与计算机工程系，南加州大学，洛杉矶，加利福尼亚州，美国） ； Center for Nonlinear Studies, Los Alamos National Laboratory, Los Alamos, New Mexico 87545, USA（非线性研究中心，洛斯阿拉莫斯国家实验室，洛斯阿拉莫斯，新墨西哥州，美国） ； Theoretical Division (T4), Los Alamos National Laboratory, Los Alamos, New Mexico 87545, USA（理论部（T4），洛斯阿拉莫斯国家实验室，洛斯阿拉莫斯，新墨西哥州，美国） ； CAI-3, Los Alamos National Laboratory, Los Alamos, New Mexico 87545, USA（CAI-3，洛斯阿拉莫斯国家实验室，洛斯阿拉莫斯，新墨西哥州，美国） ； University of California, Berkeley, Berkeley, CA, 94720, USA（加州大学伯克利分校，伯克利，加利福尼亚州，美国） ； Department of Physics, University of Pisa, Largo Bruno Pontecorvo 3, 56127 Pisa, Italy（物理学系，比萨大学，布鲁诺·蓬泰科罗夫大道3号，比萨，意大利）
AI总结 本文提出了一种基于图论和解析框架的算法，用于精确计算电阻网络的梯度，实现高效训练，无需复制或读出，且能局部更新电阻值以提升性能。
Comments 8 pages double column; plus 16 supp mat.;
