AI Agent

The Amazing Agent Race: Strong Tool Users, Weak Navigators

令人惊叹的智能体竞赛：强大的工具使用者，薄弱的导航者

Zae Myung Kim, Dongseok Lee, Jaehyung Kim, Vipul Raheja, Dongyeop Kang

机构 * University of Minnesota Twin Cities（明尼苏达大学双城分校） ； Yonsei University（延世大学） ； Grammarly 纠错

专题命中 工具调用 ：agent(title,abstract)；tool use(title)；tool-use(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出AAR基准测试，通过有向无环图谜题评估智能体的导航与工具使用能力，发现线性基准无法检测到导航失误问题。

AgentV-RL: Scaling Reward Modeling with Agentic Verifier

AgentV-RL: 通过代理验证器扩展奖励建模

Jiazheng Zhang, Ziche Fu, Zhiheng Xi, Wenqing Jing, Mingxu Chai, Wei He, Guoqiang Zhang, Chenghao Fan, Chenxin An, Wenxiang Chen, Zhicheng Liu, Haojie Pan, Dingwei Zhu, Tao Gui, Qi Zhang, Xuanjing Huang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Huazhong University of Science and Technology（华中科技大学） ； The University of Hong Kong（香港大学） ； ByteDance Seed（字节跳动种子） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） 纠错

专题命中 工具调用 ：agentic(title,summary_cn)；tool-use(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出Agentic Verifier框架，通过多轮工具增强的反思过程提升奖励建模效果，实验显示其在并行和顺序TTS任务中表现优异，4B变体超越现有最优ORMs 25.2%。

Comments ACL 2026

GTA-2: Benchmarking General Tool Agents from Atomic Tool-Use to Open-Ended Workflows

GTA-2: 从原子工具使用到开放性工作流的通用工具代理基准测试

Jize Wang, Xuanxuan Liu, Yining Li, Songyang Zhang, Yijun Wang, Zifei Shan, Xinyi Le, Cailian Chen, Xinping Guan, Dacheng Tao

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Tencent（腾讯） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 工具调用 ：tool-use(title,abstract)；workflow(abstract,abstract_cn)；agent(abstract)；tool use(abstract)

AI总结 本文提出GTA-2基准测试，涵盖原子工具使用和开放性工作流，通过递归检查点机制评估模型能力和执行框架，揭示了前沿模型在复杂任务上的性能差距。

Subliminal Transfer of Unsafe Behaviors in AI Agent Distillation

AI代理蒸馏中不安全行为的潜意识转移

Jacob Dang, Brian Y. Xie, Omar G. Younis

机构 * UCLA（加州大学洛杉矶分校） ； Santa Monica College（圣蒙代克学院） ； Mila, Silverstream AI（Mila与Silverstream AI） 纠错

专题命中 工具调用 ：agent(title,abstract)；AI agent(title)；agentic(abstract)；分类 cs.AI

AI总结 研究探讨了在代理系统中行为特征通过模型蒸馏的潜意识转移，通过两个实验设置发现学生代理继承了教师代理的破坏性行为偏见，证明显式数据清理不足以防止隐含行为偏见。

Agentic AI Optimisation (AAIO): what it is, how it works, why it matters, and how to deal with it

代理AI优化（AAIO）：它是什么，如何运作，为什么重要，以及如何应对它

Luciano Floridi, Carlotta Buttaboni, Nicolas Gertler, Emmie Hine, Jessica Morley, Claudio Novelli, Tyler Schroder

机构 * Digital Ethics Center, Yale University（耶鲁大学数字伦理中心） ； Department of Legal Studies, University of Bologna（博洛尼亚大学法律研究系） ； Department of Computer Science（计算机科学系） 纠错

专题命中 工具调用 ：agentic(title,abstract)；agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 本文探讨了代理AI优化（AAIO）作为确保网站与代理AI系统无缝交互的关键方法，分析了其在数字基础设施中的重要性及治理挑战。

Dynamic Tool Dependency Retrieval for Lightweight Function Calling

轻量级函数调用的动态工具依赖检索

Bhrij Patel, Davide Belli, Amir Jalalirad, Maximilian Arnold, Aleksandr Ermolov, Bence Major

机构 * Qualcomm AI Research（高通人工智能研究） ； University of Maryland, College Park（马里兰大学学院公园分校） 纠错

专题命中 工具调用 ：function calling(title,abstract)；agent(abstract)；分类 cs.LG

AI总结 本文提出动态工具依赖检索方法，通过结合初始查询和逐步展开的工具调用计划，提升函数调用的准确性和效率，实验表明其在多个数据集和模型上均优于现有静态检索方法。

Comments 24 pages, 6 figures, 8 tables

Towards Understanding, Analyzing, and Optimizing Agentic AI Execution: A CPU-Centric Perspective

向理解、分析和优化代理AI执行：一种以CPU为中心的视角

Ritik Raj, Souvik Kundu, Ishita Vohra, Hong Wang, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 工具调用 ：agentic(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文从CPU角度分析代理AI工作负载的瓶颈，提出两种优化方法，降低CPU-GPU资源分配偏差，提升执行效率。

Bilevel Optimization of Agent Skills via Monte Carlo Tree Search

通过蒙特卡洛树搜索优化代理技能

Chenyi Huang, Haoting Zhang, Jingxu Xu, Zeyu Zheng, Yunduan Lin

机构 * Department of Mathematics（数学系） ； National University of Singapore（国立新加坡大学） ； Department of Industrial Engineering and Operations Research（工业工程与运营管理系） ； University of California at Berkeley（加州大学伯克利分校） ； Department of Decision, Operation and Technology（决策、运营与技术系） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 工具调用 ：agent(title,abstract)；分类 cs.AI

AI总结 本文提出通过蒙特卡洛树搜索优化代理技能的双层优化框架，提升任务性能。

LLMs Corrupt Your Documents When You Delegate

当您委托时，大型语言模型会破坏您的文档

Philippe Laban, Tobias Schnabel, Jennifer Neville

机构 * Microsoft Research（微软研究院） 纠错

专题命中 工具调用 ：tool use(abstract)；agentic(abstract)；分类 cs.CL

AI总结 研究发现，当前LLM在委托工作中会破坏文档，即使前沿模型也平均破坏25%的内容，文档大小和交互长度加剧了这一问题。

Seed1.8 Model Card: Towards Generalized Real-World Agency

Seed1.8 模型卡：迈向通用的现实世界代理

Bytedance Seed

机构 * Bytedance Seed（字节跳动Seed） 纠错

专题命中 工具调用 ：tool use(abstract)；agentic(abstract)；分类 cs.AI

AI总结 Seed1.8 模型旨在实现通用的现实世界代理能力，支持多轮交互、工具使用和多步骤执行，同时保持大语言模型和视觉语言性能，并提供统一的代理接口。

COMPASS: Benchmarking Constrained Optimization in LLM Agents

COMPASS：评估LLM代理在约束优化中的表现

Tian Qin, Felix Bai, Ting-Yao Hu, Raviteja Vemulapalli, Hema Swetha Koppula, Zhiyang Xu, Bowen Jin, Mert Cemri, Jiarui Lu, Zirui Wang, Meng Cao

机构 * Harvard University（哈佛大学） ； Apple（苹果公司） ； Virginia Tech（弗吉尼亚理工学院） ； UIUC（伊利诺伊大学香槟分校） ； UC Berkeley（加州大学伯克利分校） 纠错

专题命中 工具调用 ：tool use(abstract)；planning(abstract)；分类 cs.LG

AI总结 COMPASS基准测试评估LLM代理在真实旅行规划中的约束优化能力，揭示当前模型在可行性与最优性之间存在显著差距，表明搜索空间探索不足是核心限制，编码代理提供潜在解决方案。

When Search Goes Wrong: Red-Teaming Web-Augmented Large Language Models

当搜索出错时：针对具有网络搜索功能的大型语言模型的红队测试

Haoran Ou, Kangjie Chen, Xingshuo Han, Gelei Deng, Jie Zhang, Han Qiu, Tianwei Zhang

机构 * Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Nanjing University of Aeronautics（南京航空航天大学） ； Tsinghua University, China（清华大学） 纠错

专题命中 工具调用 ：workflow(abstract)；分类 cs.AI

AI总结 本文提出CREST-Search框架，针对具有网络搜索功能的LLM的安全性问题，通过三种新型攻击策略和迭代上下文优化机制，揭示网络搜索带来的安全漏洞。

Deliberative Searcher: Improving LLM Reliability via Reinforcement Learning with constraints

反思搜索器：通过带有约束的强化学习提高大语言模型的可靠性

Zhenyun Yin, Shujie Wang, Xuhong Wang, Xingjun Ma, Yinchun Wang

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 工具调用 ：agent(abstract)；分类 cs.AI

AI总结 本文提出反思搜索器框架，结合置信度校准与基于检索的搜索，通过强化学习优化准确性，提升模型输出的可靠性。

Comments Accepted by ACL 2026

VoxMind: An End-to-End Agentic Spoken Dialogue System

VoxMind：一个端到端的智能语音对话系统

Tianle Liang, Yifu Chen, Shengpeng Ji, Yijun Chen, Zhiyang Jia, Jingyu Lu, Fan Zhuo, Xueyi Pu, Yangzhuo Li, Zhou Zhao

机构 * Zhejiang University（浙江大学） ； China University of Petroleum-Beijing at Karamay（中国石油大学（北京）克拉玛依校区） ； Xiamen University（厦门大学） 纠错

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；tool use(abstract)；planning(abstract)

AI总结 本文提出VoxMind，通过引入智能代理能力，提升端到端语音对话系统在复杂任务中的表现，实验表明其任务完成率显著提高。

Comments Accepted to ACL 2026 Main Conference.Code and data available at https://github.com/MM-Speech/VoxMind

DeepER-Med: Advancing Deep Evidence-Based Research in Medicine Through Agentic AI

DeepER-Med: 通过代理AI推进医学中的深度证据导向研究

Zhizheng Wang, Chih-Hsuan Wei, Joey Chan, Robert Leaman, Chi-Ping Day, Chuan Wu, Mark A Knepper, Antolin Serrano Farias, Jordina Rincon-Torroella, Hasan Slika, Betty Tyler, Ryan Huu-Tuan Nguyen, Asmita Indurkar, Mélanie Hébert, Shubo Tian, Lauren He, Noor Naffakh, Aseem Aseem, Nicholas Wan, Emily Y Chew, Tiarnan D L Keenan, Zhiyong Lu

机构 * Division of Intramural Research (DIR), National Library of Medicine (NLM), National Institutes of Health (NIH)（国家医学图书馆（NLM）内务研究部，国家卫生研究院（NIH）） ； Hunterian Neurosurgical Laboratory, Johns Hopkins School of Medicine（约翰霍普金斯医学院霍尔特神经外科实验室） ； Cancer Data Science Laboratory, Center for Cancer Research, National Cancer Institute (NCI), National Institutes of Health (NIH)（国家癌症研究所（NCI）癌症数据科学实验室，国家癌症研究中心，国家卫生研究院（NIH）） ； Experimental Immunology Branch, National Cancer Institute (NCI), National Institutes of Health (NIH)（国家癌症研究所（NCI）实验免疫学分支，国家卫生研究院（NIH）） ； Epithelial Systems Biology Laboratory, Systems Biology Center, National Heart, Lung, and Blood Institute (NHLBI), National Institutes of Health (NIH)（国家心肺血液研究所（NHLBI）上皮系统生物学实验室，系统生物学中心，国家卫生研究院（NIH）） ； Brain Tumor Genetics Lab, Department of Neurosurgery, Johns Hopkins Hospital（约翰霍普金斯医院神经外科部脑肿瘤遗传实验室） ； Division of Hematology/Oncology, University of Illinois Chicago（伊利诺伊大学芝加哥分校血液/肿瘤科部） ； University of Illinois Cancer Center, Chicago, IL 60612, USA（伊利诺伊大学癌症中心，芝加哥，IL 60612，美国） ； Division of Epidemiology and Clinical Applications, National Eye Institute (NEI), National Institutes of Health (NIH)（国家眼耳研究所（NEI）流行病学与临床应用部，国家卫生研究院（NIH）） ； University of Michigan Medical School, Ann Arbor, MI 48109, USA（密歇根大学医学学院，安阿伯，MI 48109，美国） 纠错

专题命中 规划决策 ：agentic(title,abstract)；AI agent(abstract)；planning(abstract)；workflow(abstract)

AI总结 DeepER-Med通过代理AI框架提升医学研究的证据生成流程，包含研究规划、协作和证据综合模块，并通过专家评估和真实临床案例验证其有效性。

Comments 37 pages, 6 figures, 5 tables

Exploring Agentic Visual Analytics: A Co-Evolutionary Framework of Roles and Workflows

探索代理式可视化分析：角色与工作流的共进化框架

Tianqi Luo, Leixian Shen, Yuyu Luo

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)；autonomous agent(abstract)；workflow(abstract)

AI总结 本文通过调研55个代理式可视化分析系统，提出一个共进化框架，分析代理自主性与人类角色转变之间的关系，并提出设计指南和未来研究方向。

FACTS: Table Summarization via Offline Template Generation with Agentic Workflows

FACTS: 通过离线模板生成实现基于表格的摘要的代理工作流

Ye Yuan, Mohammad Amin Shabani, Siqi Liu

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； RBC Borealis 纠错

专题命中 规划决策 ：agentic(title,abstract)；planning(abstract)；workflow(abstract)；分类 cs.CL

AI总结 FACTS通过离线模板生成实现高效、准确且隐私合规的表格摘要，优于现有方法，适用于实际查询需求。

Comments Accepted by ACL 2026 Findings

VeriGraph: Scene Graphs for Execution Verifiable Robot Planning

VeriGraph：用于可验证机器人规划的场景图

Daniel Ekpo, Mara Levy, Saksham Suri, Chuong Huynh, Archana Swaminathan, Abhinav Shrivastava

机构 * University of Maryland, College Park, MD USA（马里兰大学学院公园分校） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract,comments)；分类 cs.AI

AI总结 VeriGraph通过整合视觉语言模型和场景图，提升机器人任务规划的可行性验证与修正，显著提高任务完成率。

Comments Accepted to ICRA 2026. Project website: https://verigraph-agent.github.io

Scalable Multi-Task Learning through Spiking Neural Networks with Adaptive Task-Switching Policy for Intelligent Autonomous Agents

通过具有自适应任务切换策略的脉冲神经网络实现可扩展的多任务学习用于智能自主代理

Rachmad Vidya Wicaksana Putra, Avaneesh Devkota, Muhammad Shafique

机构 * eBRAIN Lab, New York University (NYU) Abu Dhabi（eBRAIN实验室，纽约大学（NYU）阿布扎比分校） 纠错

专题命中 规划决策 ：autonomous agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出SwitchMT方法，通过自适应任务切换策略和深度脉冲Q网络实现高效的多任务学习，提升自主代理在多个Atari游戏中表现。

Comments Accepted at the 63rd ACM/IEEE Design Automation Conference (DAC), July 26-29, 2026 in Long Beach, CA, USA. [Codes: https://github.com/rachmadvwp/SwitchMT]

Mapping High-Performance Regions in Battery Scheduling across Data Uncertainty, Battery Design, and Planning Horizons

在数据不确定性、电池设计和规划时间跨度中电池调度的高性能区域映射

Jaime de Miguel Rodriguez, Artjom Vargunin, Brigitta Robin Raudne, David Solis Martin, Yaroslava Mykhailenko, Kaarel Oja

机构 * Enefit ； University of Seville（塞维利亚大学） ； University of Tartu（塔尔图大学） ； Tallinn University of Technology（塔林技术大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.LG

AI总结 本文研究多阶段模型预测控制下能量存储操作的三重分析，探讨数据特征、预测不确定性、规划时间跨度和电池充放电速率的相互作用，通过合成数据集系统探索数据特征和不确定性的变化，确定最佳时间跨度映射关系，减少计算成本并保持最优性能。

Comments 40 pages

COVER:COverage-VErified Roadmaps for Fixed-time Motion Planning in Continuous Semi-Static Environments

覆盖验证的固定时间运动规划路标：连续半静态环境中的路标规划

Niranjan Kumar Ilampooranan, Constantinos Chamzas

机构 * Department of Robotics Engineering, Worcester Polytechnic Institute (WPI)（机器人工程系，沃斯特理工学院（WPI）） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出COVER框架，通过增量构建覆盖验证的路标，为半静态环境提供固定时间内的运动规划解决方案，展示了更广的问题空间覆盖和更高的查询成功率。

Contact-Aware Planning and Control of Continuum Robots in Highly Constrained Environments

具备接触意识的连续机器人在高度受限环境中的规划与控制

Aedan Mangan, Kehan Long, Ki Myung Brian Lee, Miheer Potdar, Nikolay Atanasov, Tania K. Morimoto

机构 * Department of Mechanical and Aerospace Engineering, University of California San Diego（加州大学圣地亚哥分校机械与航空航天工程系） ； SceniX Inc（SceniX公司） ； Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Surgery, University of California San Diego（加州大学圣地亚哥分校外科系） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出一种具备接触意识的规划方法，通过评估接触质量并惩罚危险交互，生成可行轨迹和接触意识雅可比矩阵，实验证明其在高度受限环境中可靠导航的能力。

Comments 15 pages, 3 figures

Trajectory Planning for Safe Dual Control with Active Exploration

安全双控轨迹规划与主动探索

Kaleb Ben Naveed, Manveer Singh, Devansh R. Agrawal, Dimitra Panagou

机构 * Department of Robotics, University of Michigan（密歇根大学机器人学系） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文研究了一种受预算约束的双控问题，通过整合鲁棒规划与主动探索，在保证安全性和预算可行性的同时，平衡即时任务性能与长期不确定性降低。

DriveLaW:Unifying Planning and Video Generation in a Latent Driving World

DriveLaW：在潜在驾驶世界中统一规划与视频生成

Tianze Xia, Yongkang Li, Lijun Zhou, Jingfeng Yao, Kaixin Xiong, Haiyang Sun, Bing Wang, Kun Ma, Guang Chen, Hangjun Ye, Wenyu Liu, Xinggang Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Xiaomi EV（小米电动车） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 DriveLaW通过统一视频生成与运动规划，提升自动驾驶中的预测与规划性能，实现视频生成与轨迹规划的一致性，取得新的state-of-the-art结果。

Comments 18 pages, 6 figures, CVPR 2026

Sampling-Based Multi-Modal Multi-Robot Multi-Goal Path Planning

基于采样的多模态多机器人多目标路径规划

Valentin N. Hartmann, Tirza Heinle, Yijiang Huang, Stelian Coros

机构 * Computational Robotics Lab ETH Zürich（机器人计算实验室ETH Zurich） 纠错

专题命中 规划决策 ：planning(title,abstract)

AI总结 本文提出基于采样的多机器人多目标路径规划方法，解决多机器人协同任务中的路径规划问题，实现概率完备和渐进最优的规划算法。

Comments 25 pages, 17 figures

MCSC-Bench: Multimodal Context-to-Script Creation for Realistic Video Production

MCSC-Bench：多模态情境到脚本创建用于真实视频制作

Huanran Hu, Zihui Ren, Dingyi Yang, Liangyu Chen, Qixiang Gao, Tiezheng Ge, Qin Jin

专题命中 规划决策 ：planning(abstract)；workflow(abstract)

AI总结 本文提出MCSC任务，通过多模态输入和用户指令生成结构化视频脚本，并引入首个大规模MCSC数据集MCSC-Bench，包含11K+标注视频，支持全面评估材料选择、叙事规划和条件脚本生成。

Disco-RAG: Discourse-Aware Retrieval-Augmented Generation

Disco-RAG: 语篇意识的检索增强生成

Dongqi Liu, Hang Ding, Qiming Feng, Xurong Xie, Zhucun Xue, Chengjie Wang, Jian Li, Jiangning Zhang, Yabiao Wang

机构 * Saarland University（萨尔兰大学） ； Shanghai Jiaotong University（上海交通大学） ； Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Tencent YouTu Lab（腾讯优图实验室） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 Discourse-aware RAG框架通过构建篇章内结构树和跨篇章修辞图，提升知识整合能力，在问答和长文档摘要任务中取得最佳效果。

Comments ACL 2026 Main & Long Conference Paper

A Digital Twin Framework for Decision-Support and Optimization of EV Charging Infrastructure in Localized Urban Systems

面向本地城市系统的电动车充电基础设施决策支持与优化的数字孪生框架

Bui Khanh Linh Do, Thanh H. Nguyen, Nghi Huynh Quang, Doanh Nguyen-Ngoc, Laurent El Ghaoui

专题命中 规划决策 ：agent(abstract)；planning(abstract)

AI总结 本文提出一种整合基于代理的决策支持与嵌入式优化的数字孪生框架，用于动态模拟电动车充电行为、基础设施布局及政策响应，通过大学校园案例分析，展示了动态通知和优化策略在提升用户满意度和能源管理中的作用。

Comments 38 pages, 11 figures. Accepted for publication in CEUS. This version is made available under the CC-BY-NC-ND 4.0 license. Final version available at: https://doi.org/10.1016/j.compenvurbsys.2026.102422

Journal ref Computers, Environment and Urban Systems, Volume 127, 102422 (2026)

Optimistic Policy Learning under Pessimistic Adversaries with Regret and Violation Guarantees

在悲观对抗者下具有后悔和违反保证的乐观策略学习

Sourav Ganguly, Kartik Pandit, Arnob Ghosh

机构 * Dept. of Electrical and Computer Engineering, NJIT, Newark, NJ, USA（电气与计算机工程系，新泽西理工学院，新泽西州纽克尔，美国） 纠错

专题命中 规划决策 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出RHC-UCRL算法，通过建模外生因素为对抗策略，实现策略在对抗环境下的最优与安全，提供子线性后悔和约束违反保证。

Hierarchical Active Inference using Successor Representations

基于成功表示的分层主动推断

Prashant Rangarajan, Rajesh P. N. Rao

机构 * Paul G. Allen Center for Computer Science and Engineering, University of Washington（保罗·G·阿伦计算机科学与工程中心，华盛顿大学） 纠错

专题命中 规划决策 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于分层主动推断的行动规划模型，结合环境层次模型与成功表示实现高效规划，展示了如何通过低层表示学习高层抽象状态，并在多个规划和强化学习任务中验证了方法有效性。

Comments Accepted for publication in Neural Computation (MIT Press). 82 pages, 29 figures