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

ConformalHDC: Uncertainty-Aware Hyperdimensional Computing with Application to Neural Decoding

ConformalHDC：具有应用神经解码的不确定性感知超维计算

Ziyi Liang, Hamed Poursiami, Zhishun Yang, Keiland Cooper, Akhilesh Jaiswal, Maryam Parsa, Norbert Fortin, Babak Shahbaba

机构 * Department of Statistics, UC Irvine（统计学系，加州大学伊文思分校） ； Department of Electrical and Computer Engineering, George Mason University（电气与计算机工程系，乔治·马歇尔大学） ； Center for the Neurobiology of Learning and Memory, UC Irvine（学习与记忆神经生物学中心，加州大学伊文思分校） ； Department of Neurobiology and Behavior, UC Irvine（神经生物学与行为系，加州大学伊文思分校） ； 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 ConformalHDC通过结合统计保证与高效计算，提升神经解码任务中的鲁棒性和不确定性估计能力。

WildSVG: Towards Reliable SVG Generation Under Real-Word Conditions

WildSVG：迈向真实世界条件下可靠的SVG生成

Marco Terral, Haotian Zhang, Tianyang Zhang, Meng Lin, Xiaoqing Xie, Haoran Dai, Darsh Kaushik, Pai Peng, Nicklas Scharpff, David Vazquez, Joan Rodriguez

机构 * QuiverAI ； Columbia University（哥伦比亚大学） ； Illinois Institute of Technology（伊利诺伊理工学院） ； Mila - Quebec Artificial Intelligence Institute（魁北克人工智能研究所） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； ServiceNow Research（ServiceNow研究） 纠错

AI总结 WildSVG通过引入现实世界基准测试，揭示了现有多模态模型在真实场景下生成SVG的不足，并指出了改进方向。

Comments 10 pages, 6 pages of additional material

Multimodal Datasets with Controllable Mutual Information

具有可控互信息的多模态数据集

Raheem Karim Hashmani, Garrett W. Merz, Helen Qu, Mariel Pettee, Kyle Cranmer

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Flatiron Institute（Flatiron研究所） 纠错

AI总结 本文提出了一种生成具有可控互信息的多模态数据集的框架，用于评估互信息估计器和多模态自监督学习技术。

Comments 16 pages, 7 figures, 2 tables. Our code is publicly available at https://github.com/RKHashmani/MmMi-Datasets. Datasets generated based on Figure 1 can be found at https://huggingface.co/datasets/RKHashmani/mmmi-dag1-2modalities-cifar10