University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Benchmarking machine learning models for multi-class state recognition in double quantum dot data

在双量子点数据中对多类状态识别的机器学习模型基准测试

Valeria Díaz Moreno, Ryan P Khalili, Daniel Schug, Patrick J. Walsh, Justyna P. Zwolak

机构 * Department of Physics, University of Wisconsin-Madison（物理系，威斯康星大学麦迪逊分校） ； Department of Computer Science, University of Maryland（计算机科学系，马里兰大学） ； Department of Applied Physics, Stanford University（应用物理系，斯坦福大学） ； National Institute of Standards and Technology（国家标准与技术研究院） ； Joint Center for Quantum Information and Computer Science, University of Maryland（量子信息与计算机科学联合中心，马里兰大学） ； Department of Physics, University of Maryland（物理系，马里兰大学） 纠错

AI总结 本研究比较了四种机器学习模型在双量子点数据中的多类状态识别性能，发现CNNs在实验数据中表现最佳，具有较高的准确性和效率。

Comments 12 pages, 4 figures, 2 tables

Private Continual Counting of Unbounded Streams

无界流的隐私连续计数

Ben Jacobsen, Kassem Fawaz

机构 * Department of Computer Sciences University of Wisconsin — Madison（计算机科学系威斯康星大学麦迪逊分校） ； Department of Electrical and Computer Engineering University of Wisconsin — Madison（电气与计算机工程系威斯康星大学麦迪逊分校） 纠错

AI总结 本研究提出一种无界流的隐私连续计数算法，通过引入基于对数扰动的矩阵分解，实现平滑误差和更优的方差与空间效率。

Comments Published as a conference paper at NeurIPS 2025. 20 pages, 2 figures

Solving Neural Min-Max Games: The Role of Architecture, Initialization & Dynamics

解决神经最小-最大游戏：架构、初始化与动态的作用

Deep Patel, Emmanouil-Vasileios Vlatakis-Gkaragkounis

机构 * Department of Computer Science University of Wisconsin-Madison（计算机科学系 威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出了一种理论框架，通过隐藏的凸性和过参数化解释神经最小-最大游戏中的全局收敛性，并首次为两层神经网络游戏提供了保证。

Comments Camera-ready for NeurIPS 2025 (including updated section on neural network initialization for experiments in Appendix C)

PETAR: Localized Findings Generation with Mask-Aware Vision-Language Modeling for PET Automated Reporting

PETAR：基于掩码感知的视觉-语言建模的局部发现生成用于PET自动报告

Danyal Maqbool, Changhee Lee, Zachary Huemann, Samuel D. Church, Matthew E. Larson, Scott B. Perlman, Tomas A. Romero, Joshua D. Warner, Meghan Lubner, Xin Tie, Jameson Merkow, Junjie Hu, Steve Y. Cho, Tyler J. Bradshaw

机构 * University of Wisconsin–Madison Department of Computer Sciences（威斯康星大学麦迪逊分校计算机科学系） ； University of Wisconsin–Madison Department Radiology（威斯康星大学麦迪逊分校放射学系） ； Microsoft（微软公司） 纠错

AI总结 PETAR通过引入PETARSeg-11K数据集和PETAR-4B模型，实现基于掩码感知的3D PET自动报告生成，提升医学影像分析的精度与实用性。

Constructing Efficient Fact-Storing MLPs for Transformers

构建高效的事实存储MLP用于Transformer

Owen Dugan, Roberto Garcia, Ronny Junkins, Jerry Liu, Dylan Zinsley, Sabri Eyuboglu, Atri Rudra, Chris Ré

机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） ； Institute for Computational & Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所） ； Computer Science Department, University of Wisconsin–Madison（威斯康星大学麦迪逊分校计算机科学系） ； Computer Science and Engineering Department, University at Buffalo（布法罗大学计算机科学与工程系） 纠错

AI总结 本文提出了一种改进的MLP构造框架，提升了事实存储效率和实用性，并揭示了MLP事实存储能力与Transformer实用性之间的权衡。

A Comprehensive Survey and Guide to Multimodal Large Language Models in Vision-Language Tasks

多模态大语言模型在视觉-语言任务中的综合综述与指南

Chia Xin Liang, Pu Tian, Caitlyn Heqi Yin, Yao Yua, Wei An-Hou, Li Ming, Xinyuan Song, Tianyang Wang, Ziqian Bi, Ming Liu

机构 * JTB Technology Corp.（JTB技术公司） ； Stockton University（斯托顿大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； AppCubic USA（AppCubic美国公司） ； Nomad Sustaintech LTD（Nomad可持续科技有限公司） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； University of Liverpool（利物浦大学） ； Indiana University（印第安纳大学） ； Purdue University（普渡大学） 纠错

AI总结 本文综述了多模态大语言模型在视觉-语言任务中的应用，探讨了其架构、训练方法及挑战，并提供了理论与实践的全面指南。