Carnegie Mellon University（卡内基梅隆大学）

Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality

超越黑箱：通过因果最小性在生成模型中实现可识别的解释与控制

Lingjing Kong, Shaoan Xie, Guangyi Chen, Yuewen Sun, Xiangchen Song, Eric P. Xing, Kun Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文通过因果最小性原则，在生成模型中建立可解释性基础，提出层级选择模型框架，实现对生成模型的可控性与解释性提升。

A Simultaneous Approach for Training Neural Differential-Algebraic Systems of Equations

神经微分代数方程的联合训练方法

Laurens R. Lueg, Victor Alves, Daniel Schicksnus, John R. Kitchin, Carl D. Laird, Lorenz T. Biegler

机构 * Carnegie Mellon University（卡内基梅隆大学） ； RWTH Aachen University（亚琛工业大学） 纠错

AI总结 本文提出一种联合训练方法用于神经微分代数方程，通过离散化非线性优化问题同时求解神经网络参数和DAE解，考虑混合模型并改进求解器性能，实现高精度、泛化性和计算效率。

A Polynomial-Time Algorithm for Variational Inequalities under the Minty Condition

变分不等式在 Minty 条件下的多项式时间算法

Ioannis Anagnostides, Gabriele Farina, Tuomas Sandholm, Brian Hu Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Strategy Robot, Inc.（Strategy Robot公司） ； Strategic Machine, Inc.（Strategic Machine公司） ； Optimized Markets, Inc.（Optimized Markets公司） 纠错

AI总结 本文提出在 Minty 条件下求解 ε-变分不等式的新算法，具有多项式时间复杂度，解决了传统方法中依赖于 1/ε 的指数问题，并展示了其在博弈论中的应用。

Comments V3 polishes the writing and makes a correction to Theorem 5.2

IA-TIGRIS: An Incremental and Adaptive Sampling-Based Planner for Online Informative Path Planning

IA-TIGRIS: 一种用于在线信息路径规划的增量和自适应采样规划器

Brady Moon, Nayana Suvarna, Andrew Jong, Satrajit Chatterjee, Junbin Yuan, Muqing Cao, Sebastian Scherer

机构 * Robotics Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所） ； Department of Mechanical Engineering, Brigham Young University（杨百翰大学机械工程系） 纠错

AI总结 本文提出IA-TIGRIS，一种用于实时任务的增量和自适应采样路径规划方法，通过增量优化和动态更新信念地图，提升信息获取效率，实验证明其在无人机应用中信息增益提升达38%。

Comments Published in IEEE Transactions on Robotics, 19 pages, 19 figures