ICLR

Imagine How To Change: Explicit Procedure Modeling for Change Captioning

想象如何改变：用于变化描述的显式过程建模

Jiayang Sun, Zixin Guo, Min Cao, Guibo Zhu, Jorma Laaksonen

机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） ； Department of Computer Science, Aalto University（阿alto大学计算机科学系） ； Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

AI总结 ProCap通过动态过程建模改进变化描述，利用关键帧和可学习查询提升描述准确性与效率。

Comments Accepted to ICLR 2026. Code and models are available at https://github.com/BlueberryOreo/ProCap

Journal ref International Conference on Learning Representations (ICLR), 2026

Scaling Laws and Spectra of Shallow Neural Networks in the Feature Learning Regime

浅层神经网络在特征学习 regime 中的缩放定律与谱特性

Leonardo Defilippis, Yizhou Xu, Julius Girardin, Emanuele Troiani, Vittorio Erba, Lenka Zdeborová, Bruno Loureiro, Florent Krzakala

机构 * Departement d’Informatique, École Normale Supérieure, PSL & CNRS（信息学院，巴黎高等师范学院，PSL与CNRS） ； Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（计算统计物理实验室，洛桑联邦理工学院（EPFL）） ； Information, Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息、学习与物理实验室，洛桑联邦理工学院（EPFL）） 纠错

AI总结 本文研究了浅层神经网络在特征学习 regime 中的缩放定律与谱特性，通过分析二次和对角神经网络的缩放规律，揭示了样本复杂度和权重衰减对过剩风险缩放指数的影响，并建立了这些 regime 与训练网络权重谱性质的精确联系。

Journal ref ICLR 2026

CUDA-L1: Improving CUDA Optimization via Contrastive Reinforcement Learning

CUDA-L1: 通过对比强化学习提升CUDA优化

Xiaoya Li, Albert Wang, Guoyin Wang, Jiwei Li, Chris Shum

机构 * DeepReinforce Team（深强化团队） 纠错

AI总结 CUDA-L1通过对比强化学习提升CUDA优化，实现显著加速并展示出优化策略的可移植性和有效性。

Comments Accepted by ICLR 2026