Carnegie Mellon University（卡内基梅隆大学）

SurvHTE-Bench: A Benchmark for Heterogeneous Treatment Effect Estimation in Survival Analysis

SurvHTE-Bench：生存分析中异质治疗效应估计的基准测试

Shahriar Noroozizadeh, Xiaobin Shen, Jeremy C. Weiss, George H. Chen

机构 * Machine Learning Department & Heinz College Carnegie Mellon University（机器学习系及卡内基梅隆大学海因兹学院） ； Heinz College Carnegie Mellon University（卡内基梅隆大学海因兹学院） ； National Library of Medicine National Institutes of Health（国家医学图书馆国立卫生研究院） 纠错

AI总结 SurvHTE-Bench是一个用于生存分析中异质治疗效应估计的首个综合基准测试，通过合成、半合成和现实数据集评估不同方法在复杂条件下的性能。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

Conflict-Based Search as a Protocol: A Multi-Agent Motion Planning Protocol for Heterogeneous Agents, Solvers, and Independent Tasks

基于冲突的搜索作为协议：一种多智能体运动规划协议用于异构智能体、求解器和独立任务

Rishi Veerapaneni, Alvin Tang, Haodong He, Sophia Zhao, Viraj Shah, Yidai Cen, Ziteng Ji, Gabriel Olin, Jon Arrizabalaga, Yorai Shaoul, Jiaoyang Li, Maxim Likhachev

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Tongji University（同济大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出了一种基于冲突的搜索协议，用于异构智能体的多智能体运动规划，利用多种单智能体规划算法实现无碰撞路径规划。

Comments Published at ICRA 2026, Project webpage: https://rishi-v.github.io/CBS-Protocol/

OPPO: Accelerating PPO-based RLHF via Pipeline Overlap

OPPO: 通过管道重叠加速基于PPO的RLHF

Kaizhuo Yan, Yingjie Yu, Yifan Yu, Haizhong Zheng, Fan Lai

机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 OPPO通过管道重叠技术提升基于PPO的RLHF训练效率，加速训练过程并提高GPU利用率

Quadrotor Navigation using Reinforcement Learning with Privileged Information

四旋翼导航使用强化学习与优先信息

Jonathan Lee, Abhishek Rathod, Kshitij Goel, John Stecklein, Wennie Tabib

机构 * Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学） 纠错

AI总结 本文提出一种基于强化学习的四旋翼导航方法，利用优先信息和损失函数提高绕过大型障碍物的能力，实验表明其在复杂环境中具有更高的成功率和稳定性。

Solving an Open Problem in Theoretical Physics using AI-Assisted Discovery

用人工智能辅助发现解决理论物理中的一个开放问题

Michael P. Brenner, Vincent Cohen-Addad, David Woodruff

机构 * Google Research（谷歌研究） ； School of Engineering and Applied Sciences, Harvard University（工程与应用科学学院，哈佛大学） ； School of Computer Science, Carnegie Mellon University（计算机科学学院，卡内基梅隆大学） 纠错

AI总结 本文提出了一种结合大型语言模型和树搜索框架的混合系统，通过AI辅助发现解决了理论物理中宇宙弦引力辐射功率谱的开放问题，并推导出新的解析解。

Comments 22 pages, 3 figures

Latent Particle World Models: Self-supervised Object-centric Stochastic Dynamics Modeling

潜在粒子世界模型：自监督的以对象为中心的随机动态建模

Tal Daniel, Carl Qi, Dan Haramati, Amir Zadeh, Chuan Li, Aviv Tamar, Deepak Pathak, David Held

机构 * Carnegie Mellon University（卡内基梅隆大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Brown University（布朗大学） ； Lambda ； Technion（技术学院） 纠错

AI总结 LPWM通过自监督学习实现现实世界多对象数据的随机动态建模，并在决策制定中展现卓越性能。

Comments ICLR 2026 Oral. Project webpage: https://taldatech.github.io/lpwm-web

Learn Hard Problems During RL with Reference Guided Fine-tuning

在强化学习中学习难题问题：基于参考的微调

Yangzhen Wu, Shanda Li, Zixin Wen, Xin Zhou, Ameet Talwalkar, Yiming Yang, Wenhao Huang, Tianle Cai

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 ReGFT通过利用人类参考解决方案合成积极轨迹，提升RL在数学推理中的性能和训练效率。

Comments 15 pages, 5 figures

Agents Learn Their Runtime: Interpreter Persistence as Training-Time Semantics

智能体学习其运行时：解释器持久性作为训练时语义

Victor May, Aaditya Salgarkar, Yishan Wang, Diganta Misra, Huu Nguyen

机构 * Ontocord ； Carnegie Mellon University（卡内基梅隆大学） ； MPI-IS Tübingen（图宾根MPI研究所） ； Tübingen AI Center（图宾根人工智能中心） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 研究探讨解释器持久性对智能体学习的影响，发现其影响解决方案达成方式而非能否达成，且训练与运行时对齐可提升效率。

Comments Code: https://github.com/mrcabbage972/agents-learn-runtime

MotionStream: Real-Time Video Generation with Interactive Motion Controls

MotionStream: 通过交互式运动控制实现实时视频生成

Joonghyuk Shin, Zhengqi Li, Richard Zhang, Jun-Yan Zhu, Jaesik Park, Eli Shechtman, Xun Huang

机构 * Seoul National University（首尔国立大学） ； Adobe Research（Adobe研究） ； Carnegie Mellon University（卡内基梅隆大学） ； Morpheus AI 纠错

AI总结 MotionStream通过交互式运动控制实现实时视频生成，利用因果注意力机制和蒸馏技术，实现亚秒延迟和高效率的无限长视频流式生成。

Comments ICLR 2026, Project webpage: https://joonghyuk.com/motionstream-web/

Assessing the Impact of Code Changes on the Fault Localizability of Large Language Models

评估代码更改对大型语言模型故障定位性的影响

Sabaat Haroon, Ahmad Faraz Khan, Ahmad Humayun, Waris Gill, Abdul Haddi Amjad, Ali R. Butt, Mohammad Taha Khan, Muhammad Ali Gulzar

机构 * Carnegie Mellon University, USA（卡内基梅隆大学，美国） 纠错

AI总结 本文通过端到端评估框架评估LLM在故障定位中的鲁棒性，发现SPMs导致78%的LLM失败于之前定位的故障，表明LLM推理依赖于语法而非语义。

Comments This paper is currently Under Review. It consists of 12 pages, 11 Figures, and 5 Tables

Deep Learning Meets Mechanism Design: Key Results and Some Novel Applications

深度学习与机制设计的结合：关键结果与一些新应用

V. Udaya Sankar, Vishisht Srihari Rao, Mayank Ratan Bhardwaj, Y. Narahari

机构 * Department of Electronics and Communication Engineering, SRM University A.P.（电子与通信工程系，SRM大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Plaksha University（Plaksha大学） ； Department of Computer Science and Automation, Indian Institute of Science（计算机科学与自动化系，印度科学研究院） 纠错

AI总结 本文探讨了深度学习在机制设计中的应用，通过三个案例研究展示了如何利用深度学习近似满足机制设计中的关键属性。