California Institute of Technology（加州理工学院）

Dynamic Targeting of Satellite Observations Using Supplemental Geostationary Satellite Data and Hierarchical Planning

利用补充静止轨道卫星数据和分层规划实现卫星观测的动态瞄准

Akseli Kangaslahti, Itai Zilberstein, Alberto Candela, Steve Chien

机构 * Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA（喷气推进实验室，加州理工学院，帕萨迪纳，CA） ； Harvard University, Cambridge, MA（哈佛大学，剑桥，MA） ； Department of Computer Science, Carnegie Mellon University, Pittsburgh, PA（计算机科学系，卡内基梅隆大学，匹兹堡，PA） 纠错

AI总结 本文提出了一种利用静止轨道卫星数据和分层规划方法，提升动态瞄准任务中观测规划效率的解决方案，实验表明其在特定场景下性能提升达41%。

Comments Appears in the proceedings of the 2026 IEEE International Conference on Robotics and Automation

Towards Autonomous Mathematics Research

迈向自主数学研究

Tony Feng, Trieu H. Trinh, Garrett Bingham, Dawsen Hwang, Yuri Chervonyi, Junehyuk Jung, Joonkyung Lee, Carlo Pagano, Sang-hyun Kim, Federico Pasqualotto, Sergei Gukov, Jonathan N. Lee, Junsu Kim, Kaiying Hou, Golnaz Ghiasi, Yi Tay, YaGuang Li, Chenkai Kuang, Yuan Liu, Hanzhao Lin, Evan Zheran Liu, Nigamaa Nayakanti, Xiaomeng Yang, Heng-Tze Cheng, Demis Hassabis, Koray Kavukcuoglu, Quoc V. Le, Thang Luong

机构 * UC Berkeley（伯克利大学） ； Brown University（布朗大学） ； Yonsei University（延世大学） ； Concordia University（Concordia 大学） ； Korea Institute for Advanced Study（韩国高级研究院） ； UC San Diego（圣地亚哥大学） ； Caltech（加州理工学院） 纠错

AI总结 Aletheia是一个能够自主生成、验证和修订数学解决方案的代理，展示了AI在数学研究中的应用，包括生成研究论文和解决开放问题。

Comments 42 pages, updated with summary of FirstProof results. Accompanied blog post https://deepmind.google/blog/accelerating-mathematical-and-scientific-discovery-with-gemini-deep-think/

Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning

实时学习预测性动态障碍物模型用于机器人运动规划

Stella Kombo, Masih Haseli, Skylar X. Wei, Joel W. Burdick

机构 * Division of Engineering and Applied Science, California Institute of Technology（工程与应用科学分校，加州理工学院） ； Applied Intuition（应用直觉） 纠错

AI总结 本文提出一种实时学习动态障碍物预测模型的方法，通过改进的Hankel-DMD实现去噪和多步预测，适用于机器人运动规划。

Comments 10 pages, 6 figures, submitted to IEEE International Conference on Robotics and Automation (ICRA) 2025

Planner Aware Path Learning in Diffusion Language Models Training

扩散语言模型训练中的规划感知路径学习

Fred Zhangzhi Peng, Zachary Bezemek, Jarrid Rector-Brooks, Shuibai Zhang, Anru R. Zhang, Michael Bronstein, Alexander Tong, Avishek Joey Bose

机构 * Duke University（杜克大学） ； Mila ； Université de Montréal（蒙特利尔大学） ； California Institute of Technology（加州理工学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Oxford（牛津大学） ； AITHYRA ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出PAPL，一种通过规划感知路径学习提升扩散语言模型训练与推理一致性的方法，实现跨领域性能提升。

Comments Camera ready version for ICLR2026

Environment-Aware Learning of Smooth GNSS Covariance Dynamics for Autonomous Racing

环境感知的平滑GNSS协方差动态学习

Y. Deemo Chen, Arion Zimmermann, Thomas A. Berrueta, Soon-Jo Chung

机构 * Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院） 纠错

AI总结 本文提出LACE框架，通过动态建模GNSS协方差动态，提升自动驾驶赛车在GNSS退化环境中的定位性能和协方差估计平滑性。

Comments 8 pages, Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

Operator Learning Using Weak Supervision from Walk-on-Spheres

利用走球面方法进行运算符学习

Hrishikesh Viswanath, Hong Chul Nam, Xi Deng, Julius Berner, Anima Anandkumar, Aniket Bera

机构 * Purdue University, USA（普渡大学） ； NVIDIA, USA（NVIDIA公司） ； ETH Zurich, Switzerland（苏黎世联邦理工学院） ； California Institute of Technology, USA（加州理工学院） 纠错

AI总结 本文提出了一种基于走球面方法的神经运算符学习方法，通过弱监督训练实现高效且稳定的偏微分方程求解。

Safe Payload Transfer with Ship-Mounted Cranes: A Robust Model Predictive Control Approach

安全载荷转移与船载起重机：一种鲁棒模型预测控制方法

Ersin Das, William A. Welch, Patrick Spieler, Keenan Albee, Aurelio Noca, Jeffrey Edlund, Jonathan Becktor, Thomas Touma, Jessica Todd, Sriramya Bhamidipati, Stella Kombo, Maira Saboia, Anna Sabel, Grace Lim, Rohan Thakker, Amir Rahmani, Joel W. Burdick

机构 * California Institute of Technology（加州理工学院） ； Jet Propulsion Laboratory（喷气推进实验室） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Southern California（南加州大学） ； Stealth Labs 纠错

AI总结 本文提出了一种鲁棒模型预测控制方法，用于安全控制船载起重机的载荷转移，通过引入鲁棒零阶控制屏障函数和时间变化边界框实现安全避障和精确定位。

Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage

函数空间解耦扩散用于碳捕集与封存的正反演建模

Xin Ju, Jiachen Yao, Anima Anandkumar, Sally M. Benson, Gege Wen

机构 * Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 函数空间解耦扩散方法在碳捕集与封存的正反演建模中实现高效且物理一致的参数恢复与数据同化。

Comments Accepted to ICLR AI&PDE Workshop

Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data

通过流引导神经算子实现自监督学习（时间序列数据）

Duy Nguyen, Jiachen Yao, Jiayun Wang, Julius Berner, Animashree Anandkumar

机构 * Department of Computing and Mathematical Sciences, Caltech（计算与数学科学部，Caltech） ； NVIDIA 纠错

AI总结 本文提出流引导神经算子（FGNO）框架，通过结合算子学习与流匹配，实现更灵活的自监督学习，提升时间序列数据表示学习的性能和鲁棒性。

Comments Accepted to NeurIPS 2025 Workshop

Validation of Space Robotics in Underwater Environments via Disturbance Robustness Equivalency

通过扰动鲁棒性等效性验证水下环境中的空间机器人

Joris Verhagen, Elias Krantz, Chelsea Sidrane, David Dörner, Nicola De Carli, Pedro Roque, Huina Mao, Gunnar Tibert, Ivan Stenius, Christer Fuglesang, Dimos Dimarogonas, Jana Tumova

机构 * Division of Robotics, Perception and Learning, KTH Royal Institute of Technology（机器人、感知与学习 division，皇家理工学院） ； School of Engineering Sciences, KTH Royal Institute of Technology（工程科学学院，皇家理工学院） ； Division of Decision and Control Systems, KTH Royal Institute of Technology（决策与控制系统 division，皇家理工学院） ； Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程 department，加州理工学院） 纠错

AI总结 通过水下环境验证空间机器人在微重力下的扰动鲁棒性等效性

Comments 8 pages, 5 figures, 1 table

KROM: Kernelized Reduced Order Modeling

KROM：基于核的降阶建模

Aras Bacho, Jonghyeon Lee, Houman Owhadi

机构 * Department of Computing and Mathematical Sciences, Caltech（计算与数学科学系，加州理工学院） 纠错

AI总结 KROM提出了一种基于核的降阶建模方法，通过经验核适应问题结构，提升非线性PDE求解效率。

Layered Safety: Enhancing Autonomous Collision Avoidance via Multistage CBF Safety Filters

分层安全：通过多阶段CBF安全过滤器增强自主避障

Erina Yamaguchi, Ryan M. Bena, Gilbert Bahati, Aaron D. Ames

机构 * Caltech（卡内基梅隆大学） 纠错

AI总结 本文提出一种多阶段CBF安全过滤器，通过预测和实时安全过滤提升机器人动态避障的鲁棒性和安全性。

There is No VAE: End-to-End Pixel-Space Generative Modeling via Self-Supervised Pre-training

不存在VAE：通过自监督预训练实现端到端像素空间生成建模

Jiachen Lei, Keli Liu, Julius Berner, Haiming Yu, Hongkai Zheng, Jiahong Wu, Xiangxiang Chu

机构 * AMAP, Alibaba Group（阿里集团AMAP） ； Caltech（加州理工学院） 纠错

AI总结 本文提出了一种端到端像素空间生成建模框架，通过自监督预训练实现扩散和一致性模型的高性能，超越了传统VAE和扩散模型的方法。

EquiReg: Equivariance Regularized Diffusion for Inverse Problems

EquiReg：等变正则化扩散用于逆问题

Bahareh Tolooshams, Aditi Chandrashekar, Rayhan Zirvi, Abbas Mammadov, Jiachen Yao, Chuwei Wang, Anima Anandkumar

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） ； Neuroscience and Mental Health Institute, University of Alberta（阿尔伯塔大学神经科学与心理健康研究所） ； New York University（纽约大学） ； California Institute of Technology（加州理工学院） ； University of Oxford（牛津大学） 纠错

AI总结 EquiReg通过正则化扩散模型提升逆问题求解，有效引导采样向保持对称性的区域，提升图像修复和偏微分方程求解质量。

Training Generalizable Collaborative Agents via Strategic Risk Aversion

通过战略风险规避训练通用的协作智能体

Chengrui Qu, Yizhou Zhang, Nicolas Lanzetti, Eric Mazumdar

机构 * Caltech Department of Computing and Mathematical Sciences, California Institute of Technology, Pasadena, CA, USA（加州理工学院计算机与数学科学系） ； Caltech（加州理工学院） 纠错

AI总结 本文提出了一种基于战略风险规避的多智能体强化学习算法，通过增强协作鲁棒性，实现与未见过的合作伙伴的可靠协作。

KANO: Kolmogorov-Arnold Neural Operator

KANO：柯尔莫戈罗夫-阿诺尔德神经算子

Jin Lee, Ziming Liu, Xinling Yu, Yixuan Wang, Haewon Jeong, Murphy Yuezhen Niu, Zheng Zhang

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Massachusetts Institute of Technology（麻省理工学院） ； California Institute of Technology（加州理工学院） 纠错

AI总结 KANO通过双域参数化克服FNO的纯谱瓶颈，在位置依赖动力学和量子哈密顿量学习中展现更优性能。

Actor-Curator: Co-adaptive Curriculum Learning via Policy-Improvement Bandits for RL Post-Training

Actor-Curator: 通过策略改进带状机为RL后训练实现联合适应课程学习

Zhengyao Gu, Jonathan Light, Raul Astudillo, Ziyu Ye, Langzhou He, Henry Peng Zou, Wei Cheng, Santiago Paternain, Philip S. Yu, Yisong Yue

机构 * University of Illinois Chicago（伊利诺伊大学香槟分校） ； Caltech（加州理工学院） ； RPI（罗切斯特理工学院） ； MBZUAI（澳门大学人工智能研究院） ； University of Chicago（芝加哥大学） ； NEC Laboratories America（NEC美国实验室） 纠错

AI总结 ACTOR-CURATOR通过策略改进带状机实现RL后训练的联合适应课程学习，有效提升训练稳定性和效率。

Comments 37 pages, 8 figures, 1 table. Preprint under review. Equal contribution by first two authors

WildOS: Open-Vocabulary Object Search in the Wild

WildOS: 野外环境中的开放词汇物体搜索

Hardik Shah, Erica Tevere, Deegan Atha, Marcel Kaufmann, Shehryar Khattak, Manthan Patel, Marco Hutter, Jonas Frey, Patrick Spieler

机构 * Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院） ； Swiss Federal Institute of Technology（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； FieldAI Inc.（FieldAI公司） ； Stanford University（斯坦福大学） ； University of California Berkeley（加州大学伯克利分校） 纠错

AI总结 WildOS通过结合安全几何探索与语义视觉推理，实现野外环境中的开放词汇物体搜索，显著提升导航效率和自主性。

Comments 28 pages, 16 figures, 2 tables

Online decoding of rat self-paced locomotion speed from EEG using recurrent neural networks

基于EEG的在线解码大鼠自控步态速度使用循环神经网络

Alejandro de Miguel, Nelson Totah, Uri Maoz

机构 * Schmid College of Science and Technology, Chapman University（施密特科学与技术学院，查普曼大学） ； LUCID-AI, Chapman University（LUCID-AI，查普曼大学） ； Helsinki Institute of Life Science, University of Helsinki（赫尔辛基生命科学研究所，赫尔辛基大学） ； Neuroscience Center, University of Helsinki（神经科学中心，赫尔辛基大学） ； Faculty of Pharmacy, University of Helsinki（药学院，赫尔辛基大学） ； Crean College of Health and Behavioral Sciences, Chapman University（克里安健康与行为科学学院，查普曼大学） ； Department of Biology and Bioengineering, California Institute of Technology（生物学与生物工程系，加州理工学院） ； Anderson School of Management, University of California Los Angeles（安德森管理学院，加州大学洛杉矶分校） 纠错

AI总结 本研究利用循环神经网络从大鼠EEG中非侵入性解码自控步态速度，实现高准确率的连续解码。

Comments 17 pages, 1 table and 7 figures

Online Smoothed Demand Management

在线平滑需求管理

Adam Lechowicz, Nicolas Christianson, Mohammad Hajiesmaili, Adam Wierman, Prashant Shenoy

机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Stanford University（斯坦福大学） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出了一种在线平滑需求管理算法PAAD，通过分账与聚合决策策略，实现了最优竞争比率，并结合端到端学习提升性能。

Comments Accepted to SIGMETRICS '26. 65 pages, 11 figures

Graphon Mean-Field Subsampling for Cooperative Heterogeneous Multi-Agent Reinforcement Learning

图论均值场子采样用于协作异质多智能体强化学习

Emile Anand, Richard Hoffmann, Sarah Liaw, Adam Wierman

机构 * California Institute of Technology（加州理工学院） ； Harvard University（哈佛大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 GMFS通过子采样异质智能体交互，实现可扩展的协作多智能体强化学习，具有poly(κ)样本复杂度和O(1/√κ)最优性差距。

Comments 43 pages, 5 figures, 1 table

ForeAct: Steering Your VLA with Efficient Visual Foresight Planning

ForeAct: 通过高效的视觉前瞻性规划控制您的VLA

Zhuoyang Zhang, Shang Yang, Qinghao Hu, Luke J. Huang, James Hou, Yufei Sun, Yao Lu, Song Han

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Caltech（加州理工学院） 纠错

AI总结 ForeAct通过高效的视觉前瞻性规划提升VLA在开放环境中的执行精度与泛化能力。

Sub--Riemannian boundary value problems for Optimal Geometric Locomotion

亚黎曼边界值问题用于最优几何运动

Oliver Gross, Florine Hartwig, Martin Rumpf, Peter Schröder

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Bonn（波恩大学） ； California Institute of Technology（加州理工学院） 纠错

AI总结 本文提出了一种几何模型，用于研究最优几何运动中的亚黎曼边界值问题，通过考虑身体位移和代谢能耗，提高了运动效率分析。

U-DAVI: Uncertainty-Aware Diffusion-Prior-Based Amortized Variational Inference for Image Reconstruction

U-DAVI：基于不确定性意识的扩散先验的图像重建近似变分推断

Ayush Varshney, Katherine L. Bouman, Berthy T. Feng

机构 * Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院） ； Mathematical Sciences, California Institute of Technology（数学科学系，加州理工学院） 纠错

AI总结 U-DAVI通过引入空间自适应扰动和不确定性估计，改进了基于扩散的图像重建方法，实现更高质量的重建效果。

Comments Accepted at ICASSP 2026

On Transferring Transferability: Towards a Theory for Size Generalization

关于转移的转移：迈向大小泛化理论

Eitan Levin, Yuxin Ma, Mateo Díaz, Soledad Villar

机构 * Department of Computing and Mathematical Sciences, Caltech（加州理工学院计算与数学科学系） ； Department of Applied Mathematics and Statistics and the Mathematical Institute for Data Science, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系及数据科学数学研究所） 纠错

AI总结 本文提出了一种通用框架，用于研究不同维度间的转移性，并通过理论分析和实验验证了大小泛化的能力。

Comments 75 pages, 10 figures, closest to version to be published in NeurIPS

JetFormer: A Scalable and Efficient Transformer for Jet Tagging from Offline Analysis to FPGA Triggers

JetFormer: 一种可扩展且高效的Transformer用于从离线分析到FPGA触发的喷注标记

Ruoqing Zheng, Chang Sun, Qibin Liu, Lauri Laatu, Arianna Cox, Benedikt Maier, Alexander Tapper, Jose G. F. Coutinho, Wayne Luk, Zhiqiang Que

机构 * Imperial College London（帝国理工学院伦敦分校） ； California Institute of Technology（加州理工学院） ； SLAC National Accelerator Laboratory（SLAC国家加速器实验室） 纠错

AI总结 JetFormer是一种高效的Transformer模型，适用于从离线分析到FPGA触发的喷注标记，通过优化实现高精度与低延迟的统一部署。

Comments 15 pages,

From SGD to Spectra: A Theory of Neural Network Weight Dynamics

从SGD到谱：神经网络权重动态的理论

Brian Richard Olsen, Sam Fatehmanesh, Frank Xiao, Adarsh Kumarappan, Anirudh Gajula

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

AI总结 本文提出了一种连续时间随机微分方程框架，将SGD的微观动态与神经网络权重矩阵的奇异值谱演化联系起来，揭示了训练网络中'主干+尾部'谱结构的理论机制。

Efficient Policy Optimization in Robust Constrained MDPs with Iteration Complexity Guarantees

在具有迭代复杂度保证的鲁棒约束MDP中实现高效的策略优化

Sourav Ganguly, Kishan Panaganti, Arnob Ghosh, Adam Wierman

机构 * New Jersey Institute of Technology（新泽西理工学院） ； Caltech（加州理工学院） 纠错

AI总结 本文提出了一种在鲁棒约束MDP中高效优化策略的方法，通过最小化约束价值函数并最大化鲁棒奖励价值函数，在O(ε⁻²)次迭代内实现ε次优且可行的策略，无需二分搜索从而提升计算效率。

Probabilistic Phase Labeling and Lattice Refinement for Autonomous Material Research

概率相标注与晶格细化用于自主材料研究

Ming-Chiang Chang, Sebastian Ament, Maximilian Amsler, Duncan R. Sutherland, Lan Zhou, John M. Gregoire, Carla P. Gomes, R. Bruce van Dover, Michael O. Thompson

机构 * Department of Materials Science and Engineering, Cornell University（材料科学与工程系，康奈尔大学） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学） ； Division of Engineering and Applied Science and Liquid Sunlight Alliance, California Institute of Technology（工程与应用科学系及液阳光联盟，加州理工学院） 纠错

AI总结 CrystalShift通过概率相标注和晶格细化技术，提升XRD数据分析效率，实现材料结构参数的定量分析，加速材料识别与发现。

Comments 13 pages, 6 figures

Journal ref npj Comput. Mater. 11 (2025) 148

Adaptive Protein Tokenization

自适应蛋白质标记化

Rohit Dilip, Ayush Varshney, David Van Valen

机构 * California Institute of Technology（加州理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Howard Hughes Medical Institute（霍华德·休斯医学研究所） 纠错

AI总结 本文提出了一种自适应蛋白质标记化方法，通过全局标记生成提升生成和表示任务性能，支持零样本蛋白质缩小和亲和力成熟。