California Institute of Technology（加州理工学院）

Upper Generalization Bounds for Neural Oscillators

神经振荡器的上界泛化界限

Zifeng Huang, Konstantin M. Zuev, Yong Xia, Michael Beer

机构 * organization= Institute for Risk ； Reliability, Leibniz University Hannover , addressline= Callinstraße 34 , city= Hannover , postcode= 30167 , country= Germany ； organization= Department of Computing ； Mathematical Sciences, California Institute of Technology , city= Pasadena , state= California , country= United States ； organization= Joint Research Centre for Marine Infrastructure, Department of Civil ； Environmental Engineering, The Hong Kong Polytechnic University , addressline= Kowloon , city= Hong Kong , country= China ； organization= Department of Civil ； Environmental Engineering, University of Liverpool , city= Liverpool , postcode= L69 3GH , country= United Kingdom ； organization= International Joint Research Center for Resilient Infrastructure \& International Joint Research Center for Engineering Reliability ； Stochastic Mechanics, Tongji University , city= Shanghai , postcode= 200092 , country= China 纠错

AI总结 本文研究了基于二阶常微分方程和多层感知机的神经振荡器的泛化能力，推导了其PAC上界，并通过数值实验验证了理论结果。

Comments This manuscript contains 33 pages with 6 figures

Near-Optimal Distributed Linear-Quadratic Regulator for Networked Systems

网络化系统近最优分布式线性二次调节器

Sungho Shin, Yiheng Lin, Guannan Qu, Adam Wierman, Mihai Anitescu

机构 * Mathematics and Computer Science Division, Argonne National Laboratory（阿贡国家实验室数学与计算机科学部） ； California Institute of Technology（加州理工学院） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） ； Department of Statistics, University of Chicago（芝加哥大学统计系） 纠错

AI总结 本文研究了在线性二次控制设置中，去中心化程度与控制器性能之间的权衡。通过分析图上相互关联的智能体系统及一种称为κ-分布式控制的控制器，展示了在温和假设下，κ-分布式控制与集中最优控制的性能差异随κ指数级减小，表明适度去中心化可实现近最优性能。

Journal ref SIAM Journal on Control and Optimization, 2023

You Only Stack Once (YOSO): A Motion-Filtered, Deep-Learning Framework for Detecting Faint Moving Sources

你只堆叠一次（YOSO）：一种运动过滤的深度学习框架，用于检测微弱移动源

Nitya Pandey, César Fuentes, Pedro Bernardinelli, Valeria Frías, Colin Orion Chandler, David E. Trilling, Matthew J. Holman, Steven Stetzler, Dallin Spencer, Hsing Wen Lin, Luis E. Salazar Manzano, Darin Ragozzine, Ryder Strauss, Mario Jurić, Andrew J. Connolly, Hayden Smotherman, Scott S. Sheppard, Kevin Napier

机构 * Dept. of Astronomy \& the DiRAC Institute, University of Washington, Seattle, USA ； Facultad de Ciencias Físicas y Matemáticas (FCFM), University of Chile, Beauchef 850, 851, Santiago, Chile ； LSST Interdisciplinary Network for Collaboration ； Department of Astronomy ； Planetary Science, Northern Arizona University, Flagstaff, USA ； Harvard-Smithsonian Center for Astrophysics, 60 Garden Street, MS 51, Cambridge, MA 02138, USA ； Jet Propulsion Laboratory, California Institute of Technology, 4800 Oak Grove Dr., Pasadena, CA 91109 USA ； Brigham Young University, Department of Physics ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Michigan Institute for Data ； AI in Society, University of Michigan, Ann Arbor, MI 48109, USA ； Department of Astronomy, University of Michigan, Ann Arbor, MI 48109, USA ； eScience Institute, Department of Astronomy, University of Washington, Seattle, WA 98195-1580, USA ； Planets Laboratory, Carnegie Institution for Science, Washington, DC 20015 纠错

AI总结 YOSO通过运动过滤技术检测宽视场天文调查中的微弱慢速太阳系天体，其核心方法是Gaussian Motion Filter，能有效提升信噪比，发现45个已知天体和11个新冥王星特异天体，适用于大规模调查及行星成像等领域。

Comments Accepted to The Astronomical Journal; 13 pages, 9 figures

Beyond Pessimism: Offline Learning in KL-regularized Games

超越悲观主义：KL正则化博弈中的离线学习

Yuheng Zhang, Claire Chen, Nan Jiang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文研究了KL正则化双人零和博弈中的离线学习，提出了一种无需悲观估计的算法，实现了更快的样本复杂度界，并提出高效的自我对弈策略优化算法。

Mechanistic Interpretability with Sparse Autoencoder Neural Operators

基于稀疏自编码器的神经算子机制可解释性

Bahareh Tolooshams, Ailsa Shen, 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（Amii）） ； California Institute of Technology (Caltech)（加州理工学院（Caltech）） 纠错

AI总结 本文提出稀疏自编码器神经算子（SAE-NOs），通过函数空间而非欧几里得空间进行操作，利用联合稀疏性实现对概念的函数化表示，提升对输入域内概念表达的建模能力。

Comments Tolooshams and Shen has equal contribution. Preprint. Earlier version was presented as Oral and Extended Abstract at the Workshop on Unifying Representations in Neural Models (UniReps 2025) at NeurIPS