California Institute of Technology（加州理工学院）

Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data

通过流引导神经算子实现自监督学习（时间序列数据）

Duy Nguyen, Jiachen Yao, Jiayun Wang, Julius Berner, Animashree Anandkumar

机构 * Department of Computing and Mathematical Sciences, Caltech（计算与数学科学部，Caltech） ； NVIDIA 纠错

AI总结 本文提出流引导神经算子（FGNO）框架，通过结合算子学习与流匹配，实现更灵活的自监督学习，提升时间序列数据表示学习的性能和鲁棒性。

Comments Accepted to NeurIPS 2025 Workshop

Validation of Space Robotics in Underwater Environments via Disturbance Robustness Equivalency

通过扰动鲁棒性等效性验证水下环境中的空间机器人

Joris Verhagen, Elias Krantz, Chelsea Sidrane, David Dörner, Nicola De Carli, Pedro Roque, Huina Mao, Gunnar Tibert, Ivan Stenius, Christer Fuglesang, Dimos Dimarogonas, Jana Tumova

机构 * Division of Robotics, Perception and Learning, KTH Royal Institute of Technology（机器人、感知与学习 division，皇家理工学院） ； School of Engineering Sciences, KTH Royal Institute of Technology（工程科学学院，皇家理工学院） ； Division of Decision and Control Systems, KTH Royal Institute of Technology（决策与控制系统 division，皇家理工学院） ； Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程 department，加州理工学院） 纠错

AI总结 通过水下环境验证空间机器人在微重力下的扰动鲁棒性等效性

Comments 8 pages, 5 figures, 1 table

KROM: Kernelized Reduced Order Modeling

KROM：基于核的降阶建模

Aras Bacho, Jonghyeon Lee, Houman Owhadi

机构 * Department of Computing and Mathematical Sciences, Caltech（计算与数学科学系，加州理工学院） 纠错

AI总结 KROM提出了一种基于核的降阶建模方法，通过经验核适应问题结构，提升非线性PDE求解效率。

Layered Safety: Enhancing Autonomous Collision Avoidance via Multistage CBF Safety Filters

分层安全：通过多阶段CBF安全过滤器增强自主避障

Erina Yamaguchi, Ryan M. Bena, Gilbert Bahati, Aaron D. Ames

机构 * Caltech（卡内基梅隆大学） 纠错

AI总结 本文提出一种多阶段CBF安全过滤器，通过预测和实时安全过滤提升机器人动态避障的鲁棒性和安全性。

There is No VAE: End-to-End Pixel-Space Generative Modeling via Self-Supervised Pre-training

不存在VAE：通过自监督预训练实现端到端像素空间生成建模

Jiachen Lei, Keli Liu, Julius Berner, Haiming Yu, Hongkai Zheng, Jiahong Wu, Xiangxiang Chu

机构 * AMAP, Alibaba Group（阿里集团AMAP） ； Caltech（加州理工学院） 纠错

AI总结 本文提出了一种端到端像素空间生成建模框架，通过自监督预训练实现扩散和一致性模型的高性能，超越了传统VAE和扩散模型的方法。

EquiReg: Equivariance Regularized Diffusion for Inverse Problems

EquiReg：等变正则化扩散用于逆问题

Bahareh Tolooshams, Aditi Chandrashekar, Rayhan Zirvi, Abbas Mammadov, Jiachen Yao, Chuwei Wang, Anima Anandkumar

机构 * University of Alberta（阿尔伯塔大学） ； Alberta Machine, Intelligence Institute (Amii)（阿尔伯塔机器智能研究所） ； Neuroscience and Mental Health Institute, University of Alberta（阿尔伯塔大学神经科学与心理健康研究所） ； New York University（纽约大学） ； California Institute of Technology（加州理工学院） ； University of Oxford（牛津大学） 纠错

AI总结 EquiReg通过正则化扩散模型提升逆问题求解，有效引导采样向保持对称性的区域，提升图像修复和偏微分方程求解质量。