图像生成 - arXivDaily 专题

2605.22990 2026-05-25 physics.chem-ph 50%

Drift-React: One-step Generation of Reaction Pathways via SE(3) Drifting Fields

Drift-React: 通过 SE(3) 漂移场一步生成反应路径

Rémi Schlama, Philippe Schwaller

专题命中效率与蒸馏：diffusion(abstract)

AI总结提出 SE(3) 等变生成框架 Drift-React，通过 Sinkhorn 加权漂移场从反应物和产物几何结构一步预测完整反应路径，无需迭代力评估或 ODE/SDE 积分，在 Transition1x 和 Halo8 数据集上生成物理一致的 MEP，并实现亚埃级 TS 预测精度与数量级加速。

2605.21388 2026-05-21 cs.LG cs.AI cs.NA math.NA stat.ML 50%

On the Regularity and Generalization of One-Step Wasserstein-guided Generative Models for PDE-Induced Measures

关于PDE诱导度量的一步Wasserstein引导生成模型的正则性和泛化性

Likun Lin, Zhongjian Wang, Jack Xin, Zhiwen Zhang

机构 * Department of Mathematics, The University of Hong Kong（香港大学数学系）； Division of Mathematical Sciences, School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学数学科学系）； Department of Mathematics, University of California at Irvine（加州大学 Irvine 分校数学系）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文研究了一步Wasserstein引导生成模型在处理PDE诱导概率度量时的正则性和泛化性，通过理论框架证明了运输映射的正则性和生成模型的泛化性质，并通过实验验证了理论结果。

2510.25348 2026-05-20 cs.LG cs.SI 50%

Beyond Leakage and Complexity: Towards Realistic and Efficient Information Cascade Prediction

超越泄露和复杂性：迈向现实和高效的流行信息级联预测

Jie Peng, Rui Wang, Qiang Wang, Zhewei Wei, Bin Tong, Guan Wang, Bo Zheng

机构 * Renmin University of China（中国人民大学）； Alibaba（阿里巴巴）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文针对信息级联流行度预测中的三个关键问题：时间泄露、数据集特征贫乏和计算效率低下，提出了一种时间有序分割策略、大规模电商级联数据集Taoke以及轻量级框架CasTemp，实现了在四个数据集上的最先进的性能和数量级的速度提升。

2605.19747 2026-05-20 cond-mat.mtrl-sci 50%

Direct Simulation of LiNi0.8Mn0.1Co0.1O2 Transport Properties Using an Efficient and Accurate Machine Learning Potential

利用高效且准确的机器学习势直接模拟LiNi0.8Mn0.1Co0.1O2的输运性质

Jian He, Constantijn H. J. A. van de Wetering, Rolande W. Nolsen, Nongnuch Artrith

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文通过高效且准确的机器学习势直接模拟LiNi0.8Mn0.1Co0.1O2的锂离子输运性质，结合细调的MACE基础模型和主动学习策略，实现了在有限DFT参考计算下构建可靠势能函数，从而预测锂扩散系数。

2605.19366 2026-05-20 cs.LG 50%

Accurate, Efficient, and Explainable Deep Learning Approaches for Environmental Science Problems

准确、高效且可解释的深度学习方法用于环境科学问题

Jimeng Shi

机构 * College of Engineering and Computing（工程与计算学院）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出三种针对复杂环境科学问题的深度学习方法：用于海岸河流洪水预测的WaLeF模型、用于全球天气预测的CoDiCast模型以及用于环境科学科学问答的Hypercube-RAG方法，旨在提高环境智能的准确性、效率和可解释性。

Comments 161 pages

2601.21484 2026-05-20 cs.LG 50%

ETS: Energy-Guided Test-Time Scaling for Training-Free RL Alignment

ETS: 为无训练强化学习对齐的能耗引导测试时缩放

Xiuyu Li, Jinkai Zhang, Mingyang Yi, Yu Li, Longqiang Wang, Yue Wang, Ju Fan

机构 * Renmin University of China, Beijing, China（中国人民大学，北京，中国）； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出了一种无需训练的推理方法，直接从最优强化学习策略中采样，通过结合参考策略模型和能耗项来改进掩码语言模型的过渡概率，并通过在线蒙特卡洛方法估计关键能耗项，从而提高生成质量。

Comments Accepted by ICML 2026

2502.04575 2026-05-20 stat.ML cs.LG cs.NA math.NA physics.comp-ph stat.CO 50%

Complexity Analysis of Normalizing Constant Estimation: from Jarzynski Equality to Annealed Importance Sampling and beyond

归一化常数估计的复杂性分析：从Jarzynski等式到退火重要性采样及其进一步发展

Wei Guo, Molei Tao, Yongxin Chen

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

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文研究了归一化常数估计问题，提出了一种非渐近分析方法，推导了退火重要性采样估计归一化常数的复杂度，并提出了一种新的算法以处理多模态问题。

Comments Accepted at ICLR 2026 (https://openreview.net/forum?id=96fJALwotm)

2605.18829 2026-05-20 cs.LG cs.CR 50%

Lossless Anti-Distillation Sampling

无损反蒸馏采样

Zibo Diao, Jingchu Gai, Xinyue Ai, Zhang Zhang, Zhenyu He, Di He

机构 * Peking University（北京大学）； Tsinghua University（清华大学）； Carnegie Mellon University（卡内基梅隆大学）

专题命中效率与蒸馏：image generation(abstract)

AI总结本文提出了一种无损反蒸馏采样方法，通过在保持良性用户体验的同时，有效对抗多账号蒸馏攻击，降低蒸馏模型的泛化能力。

2509.22459 2026-05-19 stat.ML cs.LG 50%

Universal Inverse Distillation for Matching Models with Real-Data Supervision (No GANs)

通用逆向蒸馏用于匹配模型与真实数据监督（无GANs）

Nikita Kornilov, David Li, Tikhon Mavrin, Aleksei Leonov, Nikita Gushchin, Evgeny Burnaev, Iaroslav Koshelev, Alexander Korotin

机构 * Applied AI Institute（应用人工智能研究所）； MIRAI ； BRAIn Lab（BRAIn实验室）； AI Foundation lab（人工智能基础实验室）； MBZUAI（穆扎伊国际人工智能大学）； AXXX

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出RealUID框架，通过无需GANs的方式将真实数据无缝融入逆向蒸馏过程，为所有匹配模型提供统一的蒸馏方法，涵盖流匹配和扩散模型，并可扩展至其变种。

2605.17899 2026-05-19 cs.LG cs.AI q-bio.QM 50%

DCFold: Efficient Protein Structure Generation with Single Forward Pass

DCFold: 通过单次前向传递高效生成蛋白质结构

Zhe Zhang, Yuanning Feng, Yuxuan Song, Keyue Qiu, Hao Zhou, Wei-Ying Ma

机构 * Institute for AI Industry Research (AIR)（人工智能产业研究院）； Department of Computer Science and Technology（计算机科学与技术系）； School of Computer Science and Technology（计算机科学与技术学院）； ByteDance Seed（字节跳动种子）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出DCFold，一种单步生成模型，实现了与AlphaFold3同等的精度，通过双一致性训练框架和新的时间测地匹配（TGM）调度器，在保持预测保真度的同时将推理速度提升15倍，验证了其在结构预测和结合设计基准上的有效性。

2602.05993 2026-05-19 cs.LG cs.AI 50%

Diamond Maps: Efficient Reward Alignment via Stochastic Flow Maps

钻石映射：通过随机流映射实现高效的奖励对齐

Peter Holderrieth, Douglas Chen, Luca Eyring, Ishin Shah, Giri Anantharaman, Yutong He, Zeynep Akata, Tommi Jaakkola, Nicholas Matthew Boffi, Max Simchowitz

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）； Carnegie Mellon University（卡内基梅隆大学）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出钻石映射，一种通过随机流映射实现高效奖励对齐的生成模型，能够在推理时对任意奖励进行准确对齐，提升模型适应性和性能。

2509.01629 2026-05-19 stat.ML cs.LG cs.NA math.NA 50%

Lipschitz-Guided Design of Interpolation Schedules in Generative Models

基于Lipschitz性的生成模型插值调度设计

Yifan Chen, Eric Vanden-Eijnden, Jiawei Xu

机构 * Department of Mathematics, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校数学系）； Machine Learning Lab, Capital Fund Management, Paris, France（Capital Fund Management机器学习实验室）； Courant Institute, New York University, NY, USA（纽约大学Courant研究所）； Now at University of Maryland, College Park, MD, USA（现在位于马里兰大学 College Park 分校）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文研究了生成模型中插值调度的设计，从统计和数值角度出发，提出通过最小化漂移场的平均平方Lipschitz性来设计调度，以提升生成模型的稳定性与准确性。

2605.16348 2026-05-19 cs.LG cs.AI 50%

Flow-Direct: Feedback-Efficient and Reusable Guidance for Flow Models via Non-Parametric Guidance Field

Flow-Direct: 通过非参数指导场实现反馈高效且可重用的流模型指导

Kim Yong Tan, Yueming Lyu, Ivor Tsang, Yew-Soon Ong

机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院，新加坡）； Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore（前沿人工智能研究中心，新加坡科技研究局）； Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，新加坡科技研究局）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出Flow-Direct框架，通过持续指导场提升流模型的反馈效率和可重用性，利用累积的奖励评估样本构建非参数估计器，实现高效优化和多目标样本生成。

2507.05688 2026-05-19 eess.AS cs.SD 50%

Robust One-step Speech Enhancement via Consistency Distillation

通过一致性蒸馏实现鲁棒的一步语音增强

Liang Xu, Longfei Felix Yan, W. Bastiaan Kleijn

机构 * School of Engineering and Computer Science（工程与计算机科学学院）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出ROSE-CD，通过一致性蒸馏生成鲁棒的一步模型，提升语音增强的实时性和性能，实验表明其在语音质量上优于传统多步扩散模型。

Comments Accepted to IEEE WASPAA 2025. 6 pages, 1 figures

Journal ref Proceedings of the IEEE Workshop on Applications of Signal Processing to Audio and Acoustics (WASPAA), Lake Tahoe, CA, USA, October 2025

2605.15859 2026-05-18 cs.DS cs.LG math.ST stat.ML stat.TH 50%

Complexity of Non-Log-Concave Sampling in Fisher Information

非对数凹分布采样中复杂性的研究

Sinho Chewi, Andre Wibisono

机构 * Yale University, Department of Statistics and Data Science（耶鲁大学统计与数据科学系）； Yale University, Department of Computer Science（耶鲁大学计算机科学系）

专题命中效率与蒸馏：diffusion(abstract)

AI总结研究非对数凹分布采样中相对信息量保证的查询复杂性，提出基于近端采样器的算法，利用受限高斯 oracle 实现，改进非对数凹采样的复杂性并提升对数凹采样的精度。

2605.15524 2026-05-18 cs.LG cs.AI math.DG math.ST stat.TH 50%

Neural Point-Forms

神经点形

Bruno Trentini, Jacob Hume, Vincenzo Antonio Isoldi, Philipp Misof, Ekaterina S. Ivshina, Kelly Maggs

机构 * NVIDIA ； University of Oxford（牛津大学）； Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究所）； Department of Mathematical Sciences（数学科学系）； Chalmers University of Technology and University of Gothenburg（查尔姆斯理工大学和哥德堡大学）； School of Engineering and Applied Sciences（工程与应用科学学院）； Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学与遗传学研究所）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出神经点形（NPFs），通过扩散几何中的拉普拉斯技术，构建点云的可学习几何特征，用于比较微分形式，并在合成和生物相关实验中展示其在处理采样密度、流形结构和群体几何时的优势。

2509.01685 2026-05-18 stat.ML cs.LG math.OC stat.CO 50%

Preconditioned Regularized Wasserstein Proximal Sampling

预条件正则化Wasserstein近似采样

Hong Ye Tan, Stanley Osher, Wuchen Li

机构 * Department of Mathematics, University of California, Los Angeles（加州大学洛杉矶分校数学系）； Department of Mathematics, University of South Carolina（南卡罗来纳大学数学系）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出一种预条件正则化Wasserstein近似采样方法，通过耦合各向异性热方程的Cole-Hopf变换得到核形式，用于从Gibbs分布中采样，并在二次势能情况下提供非渐近收敛分析。

2605.13907 2026-05-15 stat.ML cs.AI cs.LG 50%

AIS: Adaptive Importance Sampling for Quantized RL

AIS: 量化强化学习中的自适应重要性采样

Jiajun Zhou, Wei Shao, Lingchao Zheng, Yuwei Fan, Ngai Wong

机构 * Huawei（华为）； The University of Hong Kong（香港大学）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出AIS方法，通过动态调整重要性采样强度，解决量化强化学习中 rollout 与训练不匹配导致的策略梯度偏差问题，在保持FP8加速优势的同时，提升训练稳定性。

2605.13681 2026-05-14 cs.LG stat.ML 50%

Sampling from Flow Language Models via Marginal-Conditioned Bridges

通过边缘-条件化桥梁采样流语言模型

Iskander Azangulov, Leo Zhang

机构 * Department of Statistics, University of Oxford（牛津大学统计系）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出通过边缘-条件化桥梁采样流语言模型，该方法在每一步从因子化后验中采样干净的一热序列，并利用奥本-乌伦贝克桥进行下一步状态采样，从而在不训练的情况下提升质量-多样性平衡。

2605.13653 2026-05-14 physics.comp-ph 50%

Efficient simulation of chemical reaction in DSMC

化学反应在DSMC中的高效模拟

Hong Deng, Liyan Luo, Lei Wu

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出了一种宏观-介观确定性-随机耦合策略，用于加速包含化学反应的直接模拟蒙特卡罗方法。通过整合连续本构关系和高阶本构关系，结合采样和嵌入，实现高效准确的模拟，显著减少计算瓶颈。

2509.23800 2026-05-14 stat.ML cs.LG 50%

Sample-Efficient Optimisation over the Outputs of Generative Models

基于生成模型输出的高效优化

Samuel Willis, Paul Duckworth, Jack Simons, Aleksandra Kalisz, Krisztina Sinkovics, Noam Ghenassia, Shikha Surana, Henry T. Oldroyd, Alexandru I. Stere, Dragos D Margineantu, Carl Henrik Ek, Henry Moss, Erik Bodin

机构 * University of Cambridge（剑桥大学）； Lancaster University（兰卡斯特大学）； Karolinska Institutet（卡罗林斯卡研究院）； Boeing Commercial Airplanes（波音商用飞机）； Boeing AI（波音人工智能）； InstaDeep ； Monumo

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出O3方法，通过构建代理潜在空间实现对扩散和流匹配模型的高效黑盒优化，提升样本评分性能，无需额外训练。

2605.01457 2026-05-14 cs.AI 50%

CoFlow: Coordinated Few-Step Flow for Offline Multi-Agent Decision Making

CoFlow：协调的少步流用于离线多智能体决策制定

Guowei Zou, Haitao Wang, Beiwen Zhang, Boning Zhang, Hejun Wu

专题命中效率与蒸馏：diffusion(abstract)

AI总结 CoFlow通过协调速度注意力和自适应协调门控，在少步生成中保持多智能体协调，提升离线多智能体强化学习的效率与协调性。

Comments 34 pages, 15 figures, 10 tables. Project page: https://guowei-zou.github.io/coflow/

2605.08434 2026-05-13 cs.RO 50%

Failing Forward: Adaptive Failure-Informed Learning for Vision-Language-Action Models

失败前进：面向视觉-语言-动作模型的自适应失败信息学习

Meng Zheng, Samhita Marri, Anwesa Choudhuri, Benjamin Planche, Zhongpai Gao, Van Nguyen Nguyen, Terrence Chen, Girish Chowdhary, Ziyan Wu

机构 * United Imaging Intelligence（联合影像智能）； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出AFIL框架，通过利用失败轨迹作为负向指导，提升视觉-语言-动作模型在机器人操作中的鲁棒性和成功率。

2605.11468 2026-05-13 cs.AI 50%

CAMPA: Efficient and Aligned Multimodal Graph Learning via Decoupled Propagation and Aggregation

CAMPA: 通过解耦传播和聚合实现高效且对齐的多模态图学习

Daohan Su, Hao Liu, Xunkai Li, Yinlin Zhu, Xiong Yongfu, Yi Liu, Hongchao Qin, Rong-Hua Li, Guoren Wang

专题命中效率与蒸馏：diffusion(abstract)

AI总结 CAMPA通过解耦传播和聚合机制，解决多模态图学习中的模态冲突问题，提升效率和可扩展性，优于现有基线方法。

2605.11214 2026-05-13 cs.LG 50%

Enforcing Constraints in Generative Sampling via Adaptive Correction Scheduling

通过自适应修正调度强制生成采样中的约束

Noah Trupin, Yexiang Xue

机构 * Department of Computer Science（计算机科学系）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出自适应修正调度方法，通过动态分配修正预算提升生成采样效率，实验显示在相同修正预算下，该方法恢复了71.2%的全步修正收益，且修正次数减少75%。

2605.07384 2026-05-12 cs.LG 50%

StreamPhy: Streaming Inference of High-Dimensional Physical Dynamics via State Space Models

StreamPhy: 通过状态空间模型实现高维物理动态的流式推断

Panqi Chen, Yifan Sun, Shikai Fang, Xiao Fu, Lei Cheng

机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）； School of EECS,Oregon State University（俄勒冈州立大学电子工程与计算机科学学院）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出StreamPhy框架，通过自适应观测编码器、结构化状态空间模型和FT-FiLM解码器，实现高效准确的流式推断，实验显示其在复杂动态处理上优于现有方法，精度提升48%以上，速度提升20-100倍。

2605.09148 2026-05-12 cond-mat.stat-mech 50%

Sensitivity Analysis in the Face of Rare Events

稀有事件面前的灵敏度分析

John Strahan, Todd R. Gingrich

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出结合重要抽样与马尔可夫状态模型的计算流程，用于处理稀有事件中动态可观测量及其灵敏度的估计问题，通过迭代重加权减少误差，验证了在穆勒-布朗势扩散中的过渡率灵敏度计算。

2605.08975 2026-05-12 cs.AI 50%

Latency Analysis and Optimization of Alpamayo 1 via Efficient Trajectory Generation

通过高效轨迹生成分析和优化Alpamayo 1的延迟

Yunseong Jeon, Namcheol Lee, Yoonsu Lee, Jangwoon Park, Sol Ahn, Jong-Chan Kim, Seongsoo Hong

机构 * Graduate School of Automobile and Mobility（汽车与移动研究生院）； Kookmin University（韩国釜山大学）； Department of Electrical and Computer Engineering（电子与计算机工程系）； Seoul National University（首尔国立大学）

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文通过将Alpamayo 1从多推理改为单推理系统，减少推理延迟并保持轨迹多样性，同时通过消除不必要的复制操作和低效内核执行提升扩散动作生成效率，实现了69.23%的延迟降低。

Comments Submitted to IEEE RTCSA on March 26, 2026 (KST) Accepted on May 4, 2026 (KST)

2605.08799 2026-05-12 cs.RO 50%

ElasticFlow: One-Step Physics-Consistent Policy with Elastic Time Horizons for Language-Guided Manipulation

ElasticFlow: 语言引导操作中的弹性时间 horizon 的一步物理一致策略

Kewei Chen, Yayu Long, Shuai Li, Mingsheng Shang

机构 * Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究所）； Chongqing School, University of Chinese Academy of Sciences（中国科学院大学重庆校区）； Faculty of Information Technology and Electrical Engineering, University of Oulu, Finland（芬兰奥卢大学信息科技与电气工程学院）

专题命中效率与蒸馏：diffusion(abstract)

AI总结 ElasticFlow通过弹性时间 horizon 机制和直接建模平均速度场，实现高效的一步映射，提升语言引导操作的物理一致性和效率。

Comments Accepted to Findings of ACL 2026

2511.09493 2026-05-12 cs.AI cs.LG 50%

Consensus Sampling for Safer Generative AI

共识采样用于更安全的生成式AI

Adam Tauman Kalai, Yael Tauman Kalai, Or Zamir

机构 * OpenAI ； MIT（麻省理工学院）； Tel Aviv University（特拉维夫大学）

专题命中效率与蒸馏：image generation(abstract)

AI总结本文提出共识采样算法，通过聚合多个概率分布提升生成模型安全性，其在保证安全性的前提下有效避免分歧，通过R-鲁棒性理论保障信息泄露和对抗影响的界限，实验验证了其在合成分布和图像生成中的有效性。

1. 效率与蒸馏 2542 篇

Drift-React: One-step Generation of Reaction Pathways via SE(3) Drifting Fields

On the Regularity and Generalization of One-Step Wasserstein-guided Generative Models for PDE-Induced Measures

Beyond Leakage and Complexity: Towards Realistic and Efficient Information Cascade Prediction

Direct Simulation of LiNi0.8Mn0.1Co0.1O2 Transport Properties Using an Efficient and Accurate Machine Learning Potential

Accurate, Efficient, and Explainable Deep Learning Approaches for Environmental Science Problems

ETS: Energy-Guided Test-Time Scaling for Training-Free RL Alignment

Complexity Analysis of Normalizing Constant Estimation: from Jarzynski Equality to Annealed Importance Sampling and beyond

Lossless Anti-Distillation Sampling

Universal Inverse Distillation for Matching Models with Real-Data Supervision (No GANs)

DCFold: Efficient Protein Structure Generation with Single Forward Pass

Diamond Maps: Efficient Reward Alignment via Stochastic Flow Maps

Lipschitz-Guided Design of Interpolation Schedules in Generative Models

Flow-Direct: Feedback-Efficient and Reusable Guidance for Flow Models via Non-Parametric Guidance Field

Robust One-step Speech Enhancement via Consistency Distillation

Complexity of Non-Log-Concave Sampling in Fisher Information

Neural Point-Forms

Preconditioned Regularized Wasserstein Proximal Sampling

AIS: Adaptive Importance Sampling for Quantized RL

Sampling from Flow Language Models via Marginal-Conditioned Bridges

Efficient simulation of chemical reaction in DSMC

Sample-Efficient Optimisation over the Outputs of Generative Models

CoFlow: Coordinated Few-Step Flow for Offline Multi-Agent Decision Making

Failing Forward: Adaptive Failure-Informed Learning for Vision-Language-Action Models

CAMPA: Efficient and Aligned Multimodal Graph Learning via Decoupled Propagation and Aggregation

Enforcing Constraints in Generative Sampling via Adaptive Correction Scheduling

StreamPhy: Streaming Inference of High-Dimensional Physical Dynamics via State Space Models

Sensitivity Analysis in the Face of Rare Events

Latency Analysis and Optimization of Alpamayo 1 via Efficient Trajectory Generation

ElasticFlow: One-Step Physics-Consistent Policy with Elastic Time Horizons for Language-Guided Manipulation

Consensus Sampling for Safer Generative AI