TMLR

A Mutual Information Perspective on Multiple Latent Variable Generative Models for Positive View Generation

从互信息角度探讨多潜在变量生成模型在正视图生成中的应用

Dario Serez, Marco Cristani, Alessio Del Bue, Vittorio Murino, Pietro Morerio

机构 * Istituto Italiano di Tecnologia（意大利技术研究院） ； Reykjavík University（雷克雅未克大学） ； University of Verona（威尼斯大学） 纠错

AI总结 本文从互信息角度探讨多潜在变量生成模型在正视图生成中的应用，提出量化潜在变量贡献的方法，并引入连续采样策略提升自监督学习效果。

Journal ref Transactions on Machine Learning Research (TMLR), 2025

Zoomer: Adaptive Image Focus Optimization for Black-box MLLM

Zoomer: 为黑盒大语言模型实现自适应图像聚焦优化

Jiaxu Qian, Chendong Wang, Yifan Yang, Chaoyun Zhang, Huiqiang Jiang, Xufang Luo, Yu Kang, Qingwei Lin, Anlan Zhang, Shiqi Jiang, Ting Cao, Tianjun Mao, Suman Banerjee, Guyue Liu, Saravan Rajmohan, Dongmei Zhang, Yuqing Yang, Qi Zhang, Lili Qiu

机构 * Microsoft（微软公司） ； Peking University（北京大学） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校） ； University of Southern California（南加州大学） 纠错

AI总结 Zoomer通过自适应图像聚焦优化提升黑盒MLLM的多模态理解能力，显著提升准确性并减少token使用

Comments TMLR accepted

SoundnessBench: A Soundness Benchmark for Neural Network Verifiers

SoundnessBench: 一种用于神经网络验证器的声学基准

Xingjian Zhou, Keyi Shen, Andy Xu, Hongji Xu, Cho-Jui Hsieh, Huan Zhang, Zhouxing Shi

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Duke University（杜克大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Riverside（加州大学河滨分校） 纠错

AI总结 SoundnessBench通过构建包含隐藏反例的基准，用于评估神经网络验证器的正确性。

Comments TMLR (December 2025)

Maxwell's Demon at Work: Efficient Pruning by Leveraging Saturation of Neurons

Maxwell's Demon在工作：通过利用神经元的饱和实现高效的剪枝

Simon Dufort-Labbé, Pierluca D'Oro, Evgenii Nikishin, Razvan Pascanu, Pierre-Luc Bacon, Aristide Baratin

机构 * Mila, Université de Montréal（蒙特利尔大学Mila实验室） ； Université de Montréal（蒙特利尔大学） ； Google DeepMind（谷歌DeepMind） ； Samsung – SAIL Montreal（三星-SAIL蒙特利尔） 纠错

AI总结 本文提出DemP方法，通过噪声注入和正则化策略控制神经元死亡，实现更高效的模型剪枝和加速训练。

Journal ref Transactions on Machine Learning Research 2835-8856 (2025)