Pohang University of Science and Technology

该工作提出动态专家剪枝（DEP）：分析显示多智能体系统中不同任务与角色会调用不同专家，而静态剪枝对所有请求使用同一固定掩码；DEP利用智能体的系统提示与任务提示，经一次前向传播生成按请求定制的专家掩码，无需逐配置校准，在多种任务、角色、模型规模与MoE架构上整体准确率优于静态剪枝与合并基线，并可泛化到训练中未见的工作流，且在保留专家数很少时优势最大。

该工作提出动态专家剪枝（DEP）：分析显示多智能体系统中不同任务与角色会调用不同专家，而静态剪枝对所有请求使用同一固定掩码；DEP利用智能体的系统提示与任务提示，经一次前向传播生成按请求定制的专家掩码，无需逐配置校准，在多种任务、角色、模型规模与MoE架构上整体准确率优于静态剪枝与合并基线，并可泛化到训练中未见的工作流，且在保留专家数很少时优势最大。

该工作提出因果强制演化网络（CEEN），把时间域划分为不重叠子区间、每个子区间配一个神经网络，并以 PDE 积分形式（梯形法则）构造损失、从初始时刻起顺序训练，从而在 KdV、薛定谔、对流与 Allen-Cahn 方程的长时间积分中取得比原始 PINN 更高的精度，同时计算成本与内存更低，并给出并行化算法加速训练。

该工作提出因果强制演化网络（CEEN），把时间域划分为不重叠子区间、每个子区间配一个神经网络，并以 PDE 积分形式（梯形法则）构造损失、从初始时刻起顺序训练，从而在 KdV、薛定谔、对流与 Allen-Cahn 方程的长时间积分中取得比原始 PINN 更高的精度，同时计算成本与内存更低，并给出并行化算法加速训练。

作者重新审视了基于水印蒸馏的大模型指纹协议，指出其效用评估低估了开放式生成中的文本质量退化，并提出“近邻并列限制”（near-tie restriction）：用基座模型 top-1 相对 logit 差距把水印偏置限制在接近 top-1 预测的 token 上；在 Llama-3.2-3B、Qwen-2.5-3B、Llama-3.1-8B、Gemma-9B 上，该方法在采样、系统提示、量化、剪枝、微调等部署变换下改善了检测—质量前沿，在相同查询预算下保持更高文本质量，并能与 SWEET、MorphMark 结合进一步提升。

作者重新审视了基于水印蒸馏的大模型指纹协议，指出其效用评估低估了开放式生成中的文本质量退化，并提出“近邻并列限制”（near-tie restriction）：用基座模型 top-1 相对 logit 差距把水印偏置限制在接近 top-1 预测的 token 上；在 Llama-3.2-3B、Qwen-2.5-3B、Llama-3.1-8B、Gemma-9B 上，该方法在采样、系统提示、量化、剪枝、微调等部署变换下改善了检测—质量前沿，在相同查询预算下保持更高文本质量，并能与 SWEET、MorphMark 结合进一步提升。

OpenBox 提出一个两阶段自动标注流程：第一阶段借助二维视觉基础模型，通过跨模态实例对齐把二维图像中的实例级线索与对应三维点云关联起来；第二阶段按刚性与运动状态对实例分类，并用类别特定的尺寸统计生成自适应三维包围框，从而在无需自训练的情况下产出高质量三维框标注，并在 Waymo Open Dataset、Lyft Level 5 Perception 数据集和 nuScenes 数据集上相对基线取得精度与效率的提升。

OpenBox 提出一个两阶段自动标注流程：第一阶段借助二维视觉基础模型，通过跨模态实例对齐把二维图像中的实例级线索与对应三维点云关联起来；第二阶段按刚性与运动状态对实例分类，并用类别特定的尺寸统计生成自适应三维包围框，从而在无需自训练的情况下产出高质量三维框标注，并在 Waymo Open Dataset、Lyft Level 5 Perception 数据集和 nuScenes 数据集上相对基线取得精度与效率的提升。

该研究提出P2F方法，将参数化节点分配物理信息神经网络（NA-PINN）与有限差分法（FDM）按节点分工耦合：参数化NA-PINN以水位差、初始速度和时间t为输入，学习解流形，单个训练好的网络即可作为所有流道（FP）动量守恒方程的无数据代理，FDM则在每个时间步推进质量守恒方程以保证离散质量守恒；在六水箱重力驱动排水算例中，标称工况Δt=1.0 s下水位平均绝对误差为7.85×10⁻⁵ m、速度平均绝对误差为3.21×10⁻³ m/s，在0.2至1.0 s时间步范围内保持稳定精度，并在五种不同初始条件下无需重训练或仿真数据即可泛化。

该研究提出P2F方法，将参数化节点分配物理信息神经网络（NA-PINN）与有限差分法（FDM）按节点分工耦合：参数化NA-PINN以水位差、初始速度和时间t为输入，学习解流形，单个训练好的网络即可作为所有流道（FP）动量守恒方程的无数据代理，FDM则在每个时间步推进质量守恒方程以保证离散质量守恒；在六水箱重力驱动排水算例中，标称工况Δt=1.0 s下水位平均绝对误差为7.85×10⁻⁵ m、速度平均绝对误差为3.21×10⁻³ m/s，在0.2至1.0 s时间步范围内保持稳定精度，并在五种不同初始条件下无需重训练或仿真数据即可泛化。

该工作提出 SIUM，把每个模态子集的任务表示建模为高斯分布（均值承载任务信息、方差度量缺失证据带来的不确定性），用不确定性感知对齐损失把子集均值拉向全模态锚点并按二者差异放大方差，再用不确定性排序损失约束子集方差高于其超集，在 BraTS 2018 与 2020 的多种缺失模态配置下取得优于 RFNet、mmFormer、M3AE、DC-Seg 的分割精度。

该工作提出 SIUM，把每个模态子集的任务表示建模为高斯分布（均值承载任务信息、方差度量缺失证据带来的不确定性），用不确定性感知对齐损失把子集均值拉向全模态锚点并按二者差异放大方差，再用不确定性排序损失约束子集方差高于其超集，在 BraTS 2018 与 2020 的多种缺失模态配置下取得优于 RFNet、mmFormer、M3AE、DC-Seg 的分割精度。

该工作通过实证分析指出基于点积的自注意力存在“相似性偏置”，会系统性忽视对目标预测有因果贡献的异质物品关系，并提出 PRISM 模块，用 K 个视角透镜在 Affinity View 与 Contrast View 两种互补视角下校准注意力，在七个真实基准上持续优于现有基线。

该工作通过实证分析指出基于点积的自注意力存在“相似性偏置”，会系统性忽视对目标预测有因果贡献的异质物品关系，并提出 PRISM 模块，用 K 个视角透镜在 Affinity View 与 Contrast View 两种互补视角下校准注意力，在七个真实基准上持续优于现有基线。