California Institute of Technology（加州理工学院）

TaskNPoint: How to Teach Your Humanoid to Hit a Backhand in Minutes

TaskNPoint: 如何在几分钟内教会你的人形机器人打反手球

Blake Werner, Ilona Demler, Pietro Perona, Aaron D. Ames

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

AI总结 提出TaskNPoint训练协议，通过教练-学习者分工，利用单次演示和交互窗口，在物理仿真中学习动态技能，实现人形机器人零样本泛化。

Data-driven Sensor Placement for Predictive Applications: A Correlation-Assisted Attribution Framework (CAAF)

面向预测应用的数据驱动传感器布置：一种相关性辅助归因框架 (CAAF)

Sze Chai Leung, Di Zhou, H. Jane Bae

机构 * Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院） ； Graduate Aerospace Laboratories, California Institute of Technology（航空航天实验室，加州理工学院） ； Department of Mechanical and Aerospace Engineering, University of Tennessee（机械与航空航天工程系，田纳西大学） 纠错

AI总结 提出一种基于机器学习的特征归因框架CAAF，通过聚类减少候选传感器位置冗余，解决高相关输入数据下的最优传感器布置问题，在结构健康监测、翼型升力预测等动态系统中优于现有方法。

Journal ref Commun. AI Comput. 1, 8 (2026)

Decentralized Best-Response-Based Learning in Two-Player Zero-Sum Stochastic Games: A Finite-Sample Analysis

两人零和随机博弈中基于最优响应的去中心化学习：有限样本分析

Zaiwei Chen, Kaiqing Zhang, Eric Mazumdar, Asuman Ozdaglar, Adam Wierman

机构 * Purdue University（普渡大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Caltech（加州理工学院） ； MIT（麻省理工学院） 纠错

AI总结 本文对两人零和矩阵博弈和随机博弈中的去中心化学习进行有限样本分析，提出基于最优响应的学习算法，并证明其样本复杂度。

Comments A preliminary version [arXiv:2303.03100] of this paper, with a subset of the results that are presented here, was presented at NeurIPS 2023