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

Exact Minimum-Volume Confidence Set Intersection for Multinomial Outcomes

多名义结果的精确最小体积置信集交集

Heguang Lin, Binhao Chen, Mengze Li, Daniel Pimentel-Alarcón, Matthew L. Malloy

机构 * The Scripps Research Institute（斯克里普斯研究所在） ； Brown University（布朗大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出了一种认证算法，用于确定多名义结果的最小体积置信集是否相交，通过利用对数比坐标中的半空间约束，实现高效且可证明的决策过程。

Comments 15 pages, 1 figure

Radiance Fields from Photons

从光子中获取辐射场

Sacha Jungerman, Aryan Garg, Mohit Gupta

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

AI总结 本文提出量子辐射场，通过单光子相机以单个光子粒度训练，实现高速运动、低光照和极端动态范围下的高保真重建。

DREAM: Dual-Standard Semantic Homogeneity with Dynamic Optimization for Graph Learning with Label Noise

DREAM: 图学习中带标签噪声的双标准语义同质性与动态优化

Yusheng Zhao, Jiaye Xie, Qixin Zhang, Weizhi Zhang, Xiao Luo, Zhiping Xiao, Philip S. Yu, Ming Zhang

机构 * National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University-Anker Embodied AI Lab, Peking University（国家多媒体信息处理重点实验室，计算机科学学院，北京大学-安ker具身AI实验室，北京大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； Department of Computer Science, University of Illinois Chicago（计算机科学系，伊利诺伊大学香槟分校） ； Paul G. Allen School of Computer Science and Engineering, University of Washington（保罗·G·阿伦计算机科学与工程学院，华盛顿大学） ； Department of Statistics, University of Wisconsin–Madison（统计系，威斯康星大学麦迪逊分校） 纠错

AI总结 DREAM通过双标准策略和动态优化解决图学习中标签噪声问题，提升图结构中节点可靠性与关系信息的利用。

RoPE Attention Can Be Trained in Almost Linear Time

RoPE 注意力可以几乎线性时间训练

Yang Cao, Jiayan Huo, Yingyu Liang, Zhenmei Shi, Zhao Song

机构 * Wyoming Seminary（怀俄明神学院） ； University of Arizona（亚利桑那大学） ； The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Simons Institute for the Theory of Computing, University of California, Berkeley（计算理论学院，加州大学伯克利分校） 纠错

AI总结 本文提出了一种在RoPE注意力中基于有界条目的几乎线性时间反向计算算法，并证明了有界条目条件对于亚二次性能的必要性。