California Institute of Technology（加州理工学院）

Flow Annealing Posterior Sampling for Function-Space Regression and Inverse Problems

流退火后验采样用于函数空间回归与逆问题

Yaozhong Shi, Zachary E. Ross, Yisong Yue

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

AI总结 提出流退火后验采样（FAPS），首个统一随机过程回归与PDE逆问题的函数空间后验采样框架，利用预训练函数空间流匹配先验，通过低秩协方差预条件器的朗之万校正实现稀疏噪声观测下的似然引导后验推断。

Vera: A Layered Diffusion Model for Content-Preserving Video Editing

Vera: 一种用于内容保持视频编辑的分层扩散模型

Hongkai Zheng, Ta-Ying Cheng, Benjamin Klein, Yisong Yue, Zhuoning Yuan

机构 * California Institute of Technology（加州理工学院） ； Netflix, Inc（Netflix公司） 纠错

AI总结 提出Vera分层扩散框架，通过生成编辑层和alpha遮罩与源视频合成，利用混合Transformer架构和高质量分层数据集，在保持内容的同时实现高质量编辑。

Comments https://vera-layered-diffusion.github.io/

Hierarchical Reinforcement Learning for Sparse-Reward Search in Commutative Algebra

用于交换代数中稀疏奖励搜索的分层强化学习

Giorgi Butbaia, Paul Orland, Coco Huang, Davide Passaro, Lucas Fagan, Michele Tarquini, Hailong Dao, David Eisenbud, Ali Shehper, Sergei Gukov

机构 * California Institute of Technology（加州理工学院） ； Temple University（天普大学） ； University of Kansas（堪萨斯大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 针对数学猜想验证中的奖励稀疏问题，提出基于约束选项的分层强化学习框架，结合等变图神经网络策略，在交换代数问题中首次应用HRL并优于经典RL和贪心搜索。

Comments 21 pages, 15 figures, 3 tables. Accepted at ICML 2026

The Two-Hump Problem: Bridging the Difficulty Gap in Mathematical Reinforcement Learning

双峰问题：弥合数学强化学习中的难度差距

Lucas Fagan, Michele Tarquini, Ali Shehper, Maksymilian Manko, Angus Gruen, Coco Huang, Giorgi Butbaia, Davide Passaro, Sergei Gukov

机构 * Department of Mathematics, California Institute of Technology（加州理工学院数学系） ； Institute of Mathematics, University of Zurich（苏黎世大学数学研究所） ； Zero Latency Labs（零延迟实验室） ； Department of Mathematics, Temple University（天普大学数学系） 纠错

AI总结 针对数学搜索问题中奖励稀疏和难度分布不均的挑战，提出数据生成和算法增强方法，包括超移动和Transformer架构，显著提升性能并发布大规模基准数据集。

Comments Accepted at ICML 2026. 38 pages, 9 figures. Code and datasets: https://github.com/Math-AI-Caltech/ACSolverX

CBF-RL: Safety Filtering Reinforcement Learning in Training with Control Barrier Functions

CBF-RL: 基于控制屏障函数的安全过滤强化学习

Lizhi Yang, Blake Werner, Massimiliano de Sa, Aaron D. Ames

机构 * Caltech MCE（加州理工学院机械工程系） 纠错

AI总结 本文提出CBF-RL框架，通过在训练过程中强制控制屏障函数以生成安全行为，使强化学习策略内在化安全约束，实现无需在线安全过滤的鲁棒安全部署。

Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026). Copyright transferred to IEEE. Sample code for the navigation example with CBF-RL reward core construction can be found at https://github.com/lzyang2000/cbf-rl-navigation-demo

Safe-SAGE: Social-Semantic Adaptive Guidance for Safe Engagement through Laplace-Modulated Poisson Safety Functions

Safe-SAGE: 通过拉普拉斯调制泊松安全函数实现安全交互的社会-语义自适应引导

Lizhi Yang, Ryan M. Bena, Meg Wilkinson, Gilbert Bahati, Andy Navarro Brenes, Ryan K. Cosner, Aaron D. Ames

机构 * Caltech MCE（Caltech机械工程系） ； Tufts ME（Tufts大学机械工程系） 纠错

AI总结 提出Safe-SAGE框架，结合泊松安全函数与拉普拉斯引导场，融合多传感器点云与视觉语义分割，通过多层安全滤波器实现腿式机器人在语义丰富动态环境中的安全导航。

Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). Copyright transferred to IEEE

Flow Matching for Efficient and Scalable Data Assimilation

用于高效可扩展数据同化的流匹配

Taos Transue, Bohan Chen, So Takao, Bao Wang

机构 * The Computing and Mathematical Sciences Department, California Institute of Technology（加州理工学院计算与数学科学系） ； Department of Mathematics and Scientific Computing and Imaging Institute, University of Utah（犹他大学数学与科学计算系和成像研究所） 纠错

AI总结 提出基于流匹配的无训练集成流滤波器（EnFF），通过蒙特卡洛估计和局部化引导加速高维非线性数据同化，在成本-精度权衡和可扩展性上优于现有方法。

Comments accepted for publication in SIAM/ASA Journal on Uncertainty Quantification

Gaussian process policy iteration with additive Schwarz acceleration for forward and inverse HJB and mean field game problems

基于高斯过程策略迭代与加性Schwarz加速的正向和逆向HJB及平均场博弈问题

Xianjin Yang, Jingguo Zhang

机构 * Department of Computing and Mathematical Sciences, California Institute of Technology, CA, USA（计算与数学科学系，加州理工学院，CA，美国） ； Department of Mathematics and Risk Management Institute, National University of Singapore, Singapore（数学与风险管理研究所，新加坡国立大学，新加坡） 纠错

AI总结 提出高斯过程策略迭代框架，通过线性PDE配位约束和Legendre变换求解HJB方程和平均场博弈的正向与逆向问题，并利用加性Schwarz加速提高收敛效率。

SHIELD: Safety on Humanoids via CBFs In Expectation on Learned Dynamics

SHIELD: 基于学习动力学期望的控制障碍函数实现人形机器人安全

Lizhi Yang, Blake Werner, Ryan K. Cosner, David Fridovich-Keil, Preston Culbertson, Aaron D. Ames

机构 * Mechanical and Civil Engineering, California Institute of Technology（加州理工学院机械与土木工程系） ； Aerospace Engineering and Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

AI总结 提出SHIELD框架，通过训练随机动力学残差模型并利用随机离散时间CBF在概率上保证安全，为黑箱RL控制器添加最小侵入式安全层，在Unitree G1人形机器人上实现安全导航。

Comments Accepted to the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025). Copyright transferred to IEEE. Video at https://youtu.be/-Qv1wR4jfj4

Bracing for Impact: Robust Humanoid Push Recovery and Locomotion with Reduced Order Models

冲击准备：基于简化模型的人形机器人稳健推倒恢复与行走

Lizhi Yang, Blake Werner, Adrian B. Ghansah, Aaron D. Ames

机构 * AMBER Lab at the Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系AMBER实验室，加州理工学院） 纠错

AI总结 提出统一框架，结合单刚体模型预测控制与混合线性倒立摆动力学，利用环境（如墙壁）和手臂支撑实现人形机器人动态行走中的推倒恢复，在高达0.5m/s行走速度下抵抗100N持续0.2s的推力。

Comments Accepted to the 2025 IEEE-RAS 24th International Conference on Humanoid Robots (Humanoids 2025). Copyright transferred to IEEE