California Institute of Technology（加州理工学院）

A Multi-Agent LLM Framework for Rating the Quality of Surgical Feedback

用于评估手术反馈质量的多智能体LLM框架

Rafal Kocielnik, J. Everett Knudsen, Steven Y. Cen, Jasmine Lin, Cherine H. Yang, Atharva Deo, Ujjwal Pasupulety, Peter Wager, Anima Anandkumar, Andrew J. Hung

机构 * Computing + Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系） ； Department of Urology, Cedars-Sinai（塞斯医疗中心泌尿科） ； Keck School of Medicine, University of Southern California（美国南加州大学凯克医学院） 纠错

AI总结 提出一个两阶段LLM框架，通过多智能体提示和手术领域知识注入发现可解释的反馈质量标准，并利用LLM作为评判者自动评分，在预测反馈有效性上优于先前方法。

Comments 25 pages, 3 figures

Krause Synchronization Transformers

Krause同步变换器

Jingkun Liu, Yisong Yue, Max Welling, Yue Song

机构 * Shanghai Qi Zhi Institute（上海启智研究院） ； College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； California Institute of Technology（加州理工学院） ； University of Amsterdam（阿姆斯特丹大学） 纠错

AI总结 提出基于有界置信共识动力学的Krause注意力机制，通过局部化稀疏交互替代全局softmax归一化，缓解表示坍缩和注意力汇聚现象，实现线性复杂度并提升性能。

Comments ICML 2026, Project page: https://jingkun-liu.github.io/krause-sync-transformers/

TorchLean: Formalizing Neural Networks in Lean

TorchLean: 在 Lean 中形式化神经网络

Robert Joseph George, Jennifer Cruden, Will Adkisson, Xiangru Zhong, Huan Zhang, Anima Anandkumar

机构 * California Institute of Technology（加利福尼亚理工学院） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 提出 TorchLean 框架，在 Lean 4 中统一神经网络的执行、验证与定理证明，通过共享语义弥合执行网络与分析工件之间的语义鸿沟。

Comments 55 pages

Fourier Feature Pyramids for Physics-Informed Neural Networks

面向物理信息神经网络的傅里叶特征金字塔

Brandon Zhao, Yixuan Wang, Jonathan T. Barron, Katherine L. Bouman, Dor Verbin, Pratul P. Srinivasan

机构 * Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学部，加州理工学院） ； Cahill Center for Astronomy and Astrophysics, California Institute of Technology（天文与天体物理中心，加州理工学院） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 提出一种名为beignet的多分辨率傅里叶特征金字塔架构，通过可训练的特征网格和傅里叶插值，结合链式法则与FFT高效计算空间导数，以更少的参数实现比现有PINN方法更高的求解精度。

Single View Seafloor Recovery from Imaging Sonar via Differentiable Rendering

通过可微渲染从成像声纳进行单视图海底恢复

Sevan Brodjian, Michael Hobley, Pietro Perona

机构 * California Institute of Technology（加州理工学院） 纠错

AI总结 提出一种无需训练的方法，通过可微渲染在30秒内从单张声纳图像恢复海底地形，利用已知海底倾斜条件，首次实现单视图高度恢复。