高校专区
Orth-Dion：消除分布式低秩谱优化中的几何不匹配
机构 * Keio University（庆应大学） ； Stanford University（斯坦福大学） ； Midwestern University（中西部大学） ； California Institute of Technology（加州理工学院） ； Mila ； Université de Montréal（蒙特利尔大学）
AI总结 Orth-Dion通过替换列归一化为右因子的QR正交化，解决分布式低秩谱优化中的几何不匹配问题，实现与Dion相同通信成本下的最优收敛率。
Comments 24 pages, 3 figures, 11 tables
数学文本延续的似然评分：一个自监督基准及快捷漏洞测试
机构 * Department of Physics, California Institute of Technology（加州理工学院物理系）
AI总结 本文提出一个自动基准，用于预测技术论文中的隐藏文本。通过比较模型生成的辅助预测字符串与评分器对延续的预测，评估信息传递效果。实验显示，GPT-5.5等模型在方程后缀预测任务中优于基线，支持似然评分作为静态基准和快捷漏洞测试的工具。
Comments 13 pages + appendices, 4 figures; v2: expanded related work
地形一致的参考引导强化学习用于人形导航自主性
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）
AI总结 本文提出一种训练参考引导感知强化学习策略的方法，通过在训练中调节参考轨迹使其与地形几何一致，提升人形机器人导航自主性。
Comments 8 pages, 4 figures, intended to submit to Humanoids 2026
走出洞穴：JAM用于对齐独立训练的视觉和语言模型
机构 * Computation and Neural Systems（计算与神经系统） ； California Institute of Technology（加利福尼亚理工学院） ； Computation and Mathematical Sciences（计算与数学科学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出JAM方法，通过联合训练模态特定的自编码器，优化视觉和语言模型的对齐，提升细粒度上下文区分能力。
BRIDGE: 在领域引导的程序合成中构建表示
机构 * California Institute of Technology（加州理工学院） ； Amazon（亚马逊）
AI总结 BRIDGE通过多艺术ifacts程序合成框架提升Lean验证正确性，结合代码、规范和定理证明领域，提高生成效率和正确率。
Comments 41 pages, 10 figures, 3 tables. Preprint
如何解释智能体行为
机构 * Johns Hopkins University（约翰霍普金斯大学） ； California Institute of Technology（加州理工学院） ； Northeastern University（东北大学） ； Purdue University（普渡大学）
AI总结 本文提出ACT*ONOMY框架，通过构建行为分类体系和开放仓库，帮助研究人员更一致地解读智能体行为，提升监控与控制能力。
Comments 34 pages in total
离线双玩家零和马尔可夫游戏中的KL正则化
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） ； University of Virginia（弗吉尼亚大学） ； Purdue University（Purdue 大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文研究了离线双玩家零和马尔可夫游戏中纳什均衡的学习问题，提出ROSE框架和SOS-MD算法，通过KL正则化实现快速收敛。
一个算子用于多种密度：通过神经算子实现条件化的消融近似
机构 * Operations Research Center（运筹学研究中心） ； Massachusetts Institute of Technology（麻省理工学院） ； Department of Computing and Mathematical Sciences（计算与数学科学系） ； California Institute of Technology（加州理工学院） ； Laboratory for Information and Decision Systems（信息与决策系统实验室） ； Center for Computational Science and Engineering（计算科学与工程中心） ； Department of Mathematics（数学系） ； Cornell University（康奈尔大学） ； Oden Institute for Computational Engineering and Sciences（计算工程与科学学院）
AI总结 本文提出通过神经算子近似条件化算子，解决概率条件化问题，展示了其在高斯混合模型中的应用，为概率条件化提供了理论基础。
Comments 27 pages (10 main text, 14 appendix, and 3 references pages), 2 figures, 2 tables
不相干学习量子动力学的权力与局限
机构 * Theoretical Division, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室理论部） ； Institute for Theoretical Physics, University of Innsbruck（因斯布鲁克大学理论物理研究所） ； Department of Physics, University of Surrey（萨里大学物理系） ； Institute for Quantum Information and Matter, Caltech（加州理工学院量子信息与物质研究所） ； Normal Computing Corporation（正常计算公司） ； Department of Computing and Mathematical Sciences, Caltech（加州理工学院计算与数学科学系）
AI总结 本文研究了不相干框架下学习量子动力学的样本复杂性界限，证明了允许任意测量时可高效学习任意单位ary，但受限于浅层测量仅能学习低纠缠单位ary，并通过实验验证了算法的可扩展性。
Comments 6+9 pages, 7 figures
Journal ref Phys. Rev. Research 8, 023141 (2026)
Neuroprobe：评估自然刺激下的颅内脑响应
机构 * MIT CSAIL, CBMM（MIT CSAIL，CBMM） ； MIT McGovern Institute（MIT McGovern研究所） ； Caltech（加州理工学院） ； Columbia University（哥伦比亚大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 Neuroprobe通过高分辨率颅内EEG数据研究多模态语言处理，提供评估框架比较不同模型架构，揭示语言处理在大脑中的时间与空间动态。
Comments 38 pages, 7 main figures, 16 supplementary figures, 13 tables
深度持续学习中塑性的预测：一种理论视角
机构 * University of Virginia（弗吉尼亚大学） ； Cisco Research（思科研究） ； California Institute of Technology（加州技术研究院） ； Purdue University（普渡大学）
AI总结 本文从理论角度探讨深度持续学习中塑性预测问题，提出新的度量标准优化准备度，证明其在回归和分类任务中能更可靠地预测可训练性。
Comments 21 pages, 4 figures, 2 tables
探测人工智能推理的临界点（CritPt）：一个前沿物理研究基准
机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Virginia Tech（弗吉尼亚理工大学） ； Ohio State University（俄亥俄州立大学） ； Independent（独立） ； Northeastern University（东北大学） ； Caltech（加州理工学院） ； University of Florida（佛罗里达大学） ； University of Waterloo（滑铁卢大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Columbia University（哥伦比亚大学） ； Perimeter Institute for Theoretical Physics（理论物理研究所） ； University of Connecticut（康涅狄格大学） ； University of Cologne（科隆大学） ； The Chinese University of Hong Kong（香港中文大学） ； Utrecht University（乌得勒支大学） ； Harvard University（哈佛大学） ； ETH Zürich（苏黎世联邦理工学院） ； Paul Scherrer Institute（保罗·谢尔研究所）
AI总结 本文提出CritPt基准，用于测试LLM在未发表的科研级推理任务中的能力，涵盖现代物理多个领域，发现当前LLM在复杂科研挑战中表现有限，仅能实现5.7%的准确率。
Comments 40 pages, 6 figures, 6 tables
协同单纯形：用于安全关键自主系统的协作运行保证
机构 * University of Illinois Urbana-Champaign (UIUC)（伊利诺伊大学厄巴纳-香槟分校） ； Center for Scientific Innovation and Education (CSIE)（科学创新与教育中心） ； California Institute of Technology (Caltech)（加州理工学院） ； Mercer University（梅森大学）
AI总结 本文提出协同单纯形架构，通过双向整合ML组件与安全监控器，在保持形式安全保证的同时提升系统性能，展示了其在自动驾驶障碍检测中的设计与评估。
神经振荡器的上界泛化界限
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
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
网络化系统近最优分布式线性二次调节器
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）
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
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
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
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
超越悲观主义：KL正则化博弈中的离线学习
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）
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。
基于稀疏自编码器的神经算子机制可解释性
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））
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
AeroJEPA：学习语义潜在表示以实现可扩展的3D气动场建模
机构 * Universidad Politécnica de Madrid（马德里理工大学） ； University of Michigan（密歇根大学） ； Universitat Politècnica de València（瓦伦西亚理工大学） ； Purdue University（普渡大学） ； Caltech（加州理工学院） ； University of Washington（华盛顿大学）
AI总结 AeroJEPA通过联合嵌入预测架构，在高保真度和大规模场景中实现可扩展的3D气动场建模，通过语义组织潜在空间提升建模效率与设计意义。
AstroAlertBench: 评估多模态大语言模型在天文学分类中的准确性、推理和诚实性
机构 * California Institute of Technology（加州理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Purdue University（普渡大学）
AI总结 本文提出AstroAlertBench，通过多阶段逻辑链评估多模态大语言模型在天文学事件分类中的性能，揭示高精度与模型诚实性之间的矛盾，并引入人机协同评估协议。
碎片在量子神经网络中高效可学习
机构 * California Institute of Technology（加州理工学院） ； Institute for Quantum Information and Matter（量子信息与物质研究院） ； Walter Burke Institute for Theoretical Physics（沃尔特·伯克理论物理研究所）
AI总结 研究提出碎片分类问题，证明在特定条件下量子计算机可高效解决，同时显示经典计算难以处理此任务。
Comments 26 pages, 1 figure
针对随机带隙的实用对抗攻击：通过伪造数据注入
机构 * University of Science and Technology of China（中国科学技术大学） ； California Institute of Technology（加州理工学院） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出一种更实际的对抗模型，通过有限的伪造反馈样本误导带隙算法，分析了在现实约束下对抗攻击的可行性与有效性。
端到端自回归图像生成与1D语义分词器
机构 * California Institute of Technology（加州理工学院） ； Stanford University（斯坦福大学）
AI总结 本文提出端到端训练 pipeline，结合重建与生成优化，改进1D分词器，实现自回归图像生成的高FID分数结果。
Comments In ICML 2026 (Spotlight)
Lucid-XR：一种用于机器人操控的扩展现实数据引擎
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； FortyFive Labs（FortyFive实验室） ； Caltech（加州理工学院） ； Harvard University（哈佛大学） ； UC San Diego（南加州大学）
AI总结 Lucid-XR通过XR头显直接运行的物理模拟环境生成多模态数据，实现零样本迁移至复杂环境，支持软材料、松散颗粒和刚体接触的精细操控任务。
Comments Project website: https://lucidxr.github.io
结构无助时：LLM在文本属性图上表现不如我们预期
机构 * Stony Brook University（石溪大学） ； California Institute of Technology（加州理工学院）
AI总结 研究发现，LLM在仅依赖节点文本描述时已能高效处理文本属性图，而多数结构编码策略效果有限，挑战了传统图学习范式，推动语义驱动的新方法。
Comments LoG 2025
通过惩罚正则化实现约束探索的全局最优性
机构 * Florian Wolf: , Ilyas Fatkhullin: , Niao He: 1The Computing \& Mathematical Sciences Department, California Institute of Technology, Pasadena, CA. 2Department of Computer Science, ETH Zurich, Switzerland. 3ETH AI Center, ETH Zurich, Switzerland.
AI总结 本文提出Policy Gradient Penalty方法，通过二次惩罚正则化解决约束下的探索问题，实现全局收敛性和近优策略。
基于图神经网络的概率图模型用于离散结构组件状态的贝叶斯反演
机构 * Key Lab of Smart Prevention and Mitigation of Civil Engineering Disasters of the Ministry of Industry and Information Technology（工信部智能防灾减灾重点实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Key Lab of Structures Dynamic Behavior and Control of the Ministry of Education, School of Civil Engineering, Harbin, Institute of Technology（教育部结构动力行为与控制重点实验室，土木工程学院） ； The Institute of Statistical Mathematics, Research Organization of Information and Systems（统计数学研究所，信息与系统研究机构） ； The Graduate University for Advanced Studies, SOKENDAI（高等研究大学，SOKENDAI） ； Division of Engineering and Applied Science, California Institute of Technology（工程与应用科学系，加州理工学院）
AI总结 本文提出基于概率图模型的新型贝叶斯反演方法，利用图神经网络实现高效离散状态推断，解决高维参数和非解析似然函数带来的计算挑战。
Comments Accepted by Reliability Engineering & System Safety on 23 February 2026
Journal ref Reliability Engineering & System Safety (2026): 112478
行星地面-空中机器人团队中的域可推广跨视图局部化视觉基础模型
机构 * AI for Space Group and 3 Andy Thomas Centre for Space Resources, The University of Adelaide（AI空间组和安迪·托马斯太空资源中心，阿德莱德大学） ； Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA 91109, USA（喷气推进实验室，加州理工学院，帕萨迪纳，CA 91109，美国） ； California Institute of Technology（加州理工学院）
AI总结 本文提出基于跨视图局部化的双编码深度神经网络，利用语义分割和合成数据缩小域差距，实现地面车在空中地图中的精准定位。
Comments 7 pages, 10 figures. Presented at the International Conference on Space Robotics (iSpaRo) 2025 in Sendai, Japan. Dataset available: https://doi.org/10.5281/zenodo.17364038
EOS-Bench：一个全面的地球观测卫星调度基准
机构 * School of Traffic ； Transportation Engineering, Central South University, Changsha 410083, China ； School of Engineering ； Materials Science, Queen Mary University of London, London E1 4NS, UK ； College of Automation, Central South University, Changsha, 410083, China ； Aerospace Engineering, University of Strathclyde, Glasgow G1 1XQ, UK ； Department of Computer Science, University of Exeter, Exeter EX4 4QJ, UK ； Department of Aerospace Engineering, Universidad de Sevilla, Camino de los Descubrimientos s.n., Sevilla, 41092, Spain ； Department of Electronics ； ERATOSTHENES Centre of Excellence, Limassol, 3012, Cyprus ； Department of Civil Engineering ； Geomatics, Cyprus University of Technology, Limassol, 3036, Cyprus ； Department of Computer Science ； Engineering, College of Engineering, Qatar University, Doha, 2713, Qatar ； Department of Aerospace Engineering, Korea Advanced Institute of Science ； School of Management, Hefei University of Technology, Hefei, 230009, China ； Key Laboratory of Collaborative Intelligence Systems, Ministry of Education, Xidian University, Xi’an 710071, China ； School of Astronautics, Beihang University, 102206 Beijing, China ； Advanced Space Technology Laboratory, College of Astronautics, Nanjing University of Aeronautics ； National Key Laboratory of Aerospace Flight Dynamics, Northwestern Polytechnical University, Xi’an, 710072, China ； State Key Laboratory of Information Engineering in Surveying, Mapping ； Remote Sensing, Wuhan University, Wuhan, 430079, China ； School of Computer Science, China University of Geosciences, Wuhan, 430074, China ； School of Information Science ； Technology, Dalian Maritime University, Dalian, 116026, China ； Department of Electrical \& Computer Engineering, University of Alberta, Edmonton, AB T6R 2V4, Canada ； Planetary Science, California Institute of Technology, CA, USA ； Department of Automation ； Systems Engineering, Federal University of Santa Catarina, Florianopolis, SC, Brazil ； School of Geography, Archaeology ； Environmental Studies, University of the Witwatersrand, Braamfontein, Johannesburg, South Africa
AI总结 本文提出EOS-Bench，通过整合高保真轨道动力学和平台约束，生成1390个场景和13900个基准实例，评估调度方法的系统性和可重复性，涵盖从小型验证案例到1000颗卫星和10000个请求的复杂问题。
自适应元学习随机梯度Hamilton-Monte Carlo模拟用于结构动态模型的贝叶斯更新
机构 * Key Lab of Smart Prevention and Mitigation of Civil Engineering Disasters of the Ministry of Industry and Information Technology, Harbin Institute of Technology, Harbin, China（工信部智能防灾减灾重点实验室，哈尔滨工业大学，哈尔滨，中国） ； Key Lab of Structures Dynamic Behavior and Control of the Ministry of Education, Harbin Institute of Technology, Harbin, China（教育部结构动力行为与控制重点实验室，哈尔滨工业大学，哈尔滨，中国） ； Division of Engineering and Applied Science, California Institute of Technology, CA, USA（加州理工学院工程与应用科学系，CA，美国）
AI总结 本文提出一种自适应元学习随机梯度Hamilton-Monte Carlo算法，通过训练适应性神经网络优化采样策略，实现无需进一步训练即可应用于同类结构贝叶斯更新问题，提升效率与通用性。
Journal ref Comput Meth Appl Mech Eng; 437: 117753 (2025)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈