California Institute of Technology（加州理工学院）

Generative Diffusion Priors for 3D Mapping of the Dark Universe

用于暗宇宙三维映射的生成扩散先验

Brandon Zhao, Diana Scognamiglio, Olivier Doré, Katherine L. Bouman

机构 * Department of Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室） ； Department of Physics, Duke University（杜克大学物理系） ； Cahill Center for Astronomy and Astrophysics, California Institute of Technology（加州理工学院卡希尔天文与天体物理中心） 纠错

AI总结 利用扩散模型学习宇宙模拟中的先验分布，结合物理正向模型解决弱引力透镜三维暗物质反问题，显著提升重建精度并生成统计一致的后验样本。

Comments Accepted to CVPR 2026 (Highlight)

BEVIO: Efficient Bird's-Eye-View based Sparse-Update Visual-Inertial Odometry for Lunar Day-Night Navigation

BEVIO: 基于鸟瞰图的稀疏更新视觉-惯性里程计用于月球昼夜导航

Mohit Singh, Shehryar Khattak, Ashish Goel, Michael Paton, Kostas Alexis, Issa A. Nesnas

机构 * Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院） ； Autonomous Robots Lab at the Norwegian University of Science and Technology（挪威科学技术大学自主机器人实验室） 纠错

AI总结 提出一种基于鸟瞰图的图像匹配方案，在极低视觉更新率下实现可靠的视觉-惯性里程计，适用于资源受限的月球车昼夜导航。

Comments Accepted at the 2026 IEEE International Conference on Robotics and Automation, Vienna

Evaluating Bivariate Causal Statements Based on Mutual Compatibility

基于相互兼容性评估双变量因果陈述

Erik Jahn, Dominik Janzing

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

AI总结 针对一组变量上的双变量因果陈述，提出基于兼容性分数的评估方法，通过量化因果模型引入的额外混杂程度或全局一致性约束来区分正确与错误的因果陈述，并应用于大语言模型生成的因果主张。

Comments accepted for ICML 2026

Probabilistic Data-Driven Modelling of Astrophysical Transients: The Neural Process Family for Ultrafast and Class-Agnostic Light Curve Reconstruction with NightLANP

天体瞬变事件的概率数据驱动建模：基于NightLANP的超快速与类别无关光变曲线重建的神经过程家族

Siddharth Chaini, Federica B. Bianco, Ashish Mahabal

机构 * NASA FINESST Fellow ； Department of Physics and Astronomy, University of Delaware（物理与天文学系，德雷克塞尔大学） ； University of Delaware, Data Science Institute（德雷克塞尔大学数据科学研究所） ； Joseph R. Biden, Jr. School of Public Policy and Administration, University of Delaware（德雷克塞尔大学公共政策与行政学院） ； Vera C. Rubin Observatory（维拉·鲁宾天文台） ； Division of Physics, Mathematics, and Astronomy, California Institute of Technology（物理、数学与天文学系，加州理工学院） ； Center for Data Driven Discovery, California Institute of Technology（数据驱动发现中心，加州理工学院） 纠错

AI总结 针对稀疏不规则光变曲线重建问题，提出神经过程家族（以注意力神经过程为例），结合高斯过程的概率框架与深度学习的可扩展性，通过元学习实现跨波段、类别无关的快速推理，在Rubin模拟数据上优于高斯过程和神经网络。

ISOMORPH: A Supply Chain Digital Twin for Simulation, Dataset Generation, and Forecasting Benchmarks

ISOMORPH：用于仿真、数据集生成和预测基准的供应链数字孪生

Zhizhen Zhang, Hyemin Gu, Benjamin J. Zhang, Daniel Elenius, Michael Tyrrell, Theo J. Bourdais, Houman Owhadi, Markos A. Katsoulakis, Tuhin Sahai

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of North Carolina（北卡罗来纳大学） ； SRI International（SRI国际） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出ISOMORPH，首个公开的多级物流网络数字孪生，通过可配置参数和模块化拓扑生成具有牛鞭效应等动态特性的数据集，并评估基础模型的零样本预测性能。

MirrorCBO: A consensus-based optimization method in the spirit of mirror descent

MirrorCBO：一种镜像下降思想的共识优化方法

Leon Bungert, Franca Hoffmann, Dohyeon Kim, Tim Roith

机构 * Department of Computing and Mathematical Sciences, Caltech（计算与数学科学系，加州理工学院） ； Helmholtz Imaging, Deutsches Elektronen-Synchrotron DESY（海德堡成像，德意志电子同步辐射研究中心（DESY）） 纠错

AI总结 提出MirrorCBO方法，通过将共识优化与镜像下降结合，实现无导数非凸优化，并推广到约束优化问题，理论证明指数收敛速率，实验展示稀疏诱导和约束优化的竞争力。

Comments 66 pages, 18 figures, 19 tables

Journal ref Mathematical Models and Methods in Applied Sciences 35 (14), 3083-3170, 2025