Carnegie Mellon University（卡内基梅隆大学）

Interpretable Stylistic Variation in Human and LLM Writing Across Genres, Models, and Decoding Strategies

人类与大语言模型在不同体裁、模型和解码策略下的可解释性风格差异

Swati Rallapalli, Shannon Gallagher, Ronald Yurko, Tyler Brooks, Chuck Loughin, Michele Sezgin, Violet Turri

机构 * Software Engineering Institute, AI Division, Carnegie Mellon University（卡内基梅隆大学软件工程院，人工智能分部） ； Department of Statistics & Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系） 纠错

AI总结 本文通过分析11个LLM在8种体裁和4种解码策略下的风格差异，揭示了模型和体裁对生成文本风格的主导作用，以及生成条件对风格差异的有限影响。

VeruSAGE: A Study of Agent-Based Verification for Rust Systems

VeruSAGE：Rust系统代理验证的研究

Chenyuan Yang, Natalie Neamtu, Chris Hawblitzel, Jacob R. Lorch, Shan Lu

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） ； Microsoft Research（微软研究院） ； University of Chicago（芝加哥大学） 纠错

AI总结 本文研究LLM在Rust系统验证中的能力，提出VeruSAGE-Bench基准测试集，并设计不同代理系统以匹配不同LLM的特性，结果显示最佳组合能完成超过80%的验证任务。

Mini-batch Estimation for Deep Cox Models: Statistical Foundations and Practical Guidance

小批量估计用于深度Cox模型：统计基础与实践指导

Lang Zeng, Weijing Tang, Zhao Ren, Ying Ding

机构 * Department of Biostatistics and Health Data Science, University of Pittsburgh（生物统计与健康数据科学系，匹兹堡大学） ； Department of Statistics and Data Science, Carnegie Mellon University（统计与数据科学系，卡内基梅隆大学） ； Department of Statistics, University of Pittsburgh（统计系，匹兹堡大学） 纠错

AI总结 本文探讨了小批量梯度下降在深度Cox模型中的应用，建立了小批量最大偏似然估计器的统计性质，并通过理论分析和模拟验证了其一致性与最优收敛率，同时提供了实践指导和实际应用案例。

UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry

UNRIO：面向雷达-惯性里程计的不确定性感知速度学习

Jui-Te Huang, Tinashu Huang, Anthony Rowe, Michael Kaess

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

AI总结 UNRIO通过直接处理雷达IQ信号预测体坐标系速度，结合Transformer架构和GRT框架，在多模式下实现不确定性估计与姿态图融合，有效提升横向运动轨迹中的里程计精度。

Chain of Uncertain Rewards with Large Language Models for Reinforcement Learning

基于大语言模型的强化学习中不确定奖励链

Shentong Mo

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

AI总结 本文提出CoUR框架，利用大语言模型优化强化学习中的奖励函数设计，通过不确定性量化和贝叶斯优化提升效率与鲁棒性。

FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction

FAST：一种结合注意机制和状态空间模型的协同框架用于时空交通预测

Xinjin Li, Jinghan Cao, Mengyue Wang, Yue Wu, Longxiang Yan, Yeyang Zhou, Ziqi Sha, Yu Ma

机构 * Columbia University（哥伦比亚大学） ； San Francisco State University（旧金山州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 FAST结合注意机制和状态空间模型，提出了一种可扩展的时空交通预测框架，通过时空-时空架构和Mamba基的空模块，有效捕捉短期和长期时间模式及长距离传感器依赖，实验表明其在精度、可扩展性和泛化性上均优于现有方法。

Comments Accepted by ICME 2026

Generalization Guarantees on Data-Driven Tuning of Gradient Descent with Langevin Updates

基于数据驱动的梯度下降与兰格文更新的泛化保证

Saumya Goyal, Rohith Rongali, Ritabrata Ray, Barnabás Póczos

机构 * Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； Electrical and Computer Engineering Department, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） 纠错

AI总结 本文研究了通过超参数调优实现学习学习的问题，提出兰格文梯度下降算法，并证明其在平方损失下达到贝叶斯最优解，同时给出了泛化保证和经验验证。

Parameter-Free Non-Ergodic Extragradient Algorithms for Solving Monotone Variational Inequalities

无参数非平稳额外梯度算法用于求解单调变分不等式

Lingqing Shen, Fatma Kılınç-Karzan

机构 * Tepper School of Business, Carnegie Mellon University（卡内基梅隆大学泰珀商学院） 纠错

AI总结 本文提出无参数非平稳额外梯度算法，解决单调变分不等式问题，实现非渐进最后迭代保证，适用于局部Lipschitz算子，并在多个应用中展示出优越性能。

TRIM: Hybrid Inference via Targeted Stepwise Routing in Multi-Step Reasoning Tasks

TRIM：通过多步推理任务中的目标逐步路由进行混合推理

Vansh Kapoor, Aman Gupta, Hao Chen, Anurag Beniwal, Jing Huang, Aviral Kumar

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

AI总结 TRIM通过目标逐步路由在多步推理任务中提升推理效率，通过识别错误步骤并分配不同模型处理，实现更高的成本效率。

Comments Accepted at ICLR 2026

RoboTAG: End-to-end Robot Configuration Estimation via Topological Alignment Graph

RoboTAG: 通过拓扑对齐图实现端到端的机器人配置估计

Yifan Liu, Fangneng Zhan, Wanhua Li, Haowen Sun, Katerina Fragkiadaki, Hanspeter Pfister

机构 * Tsinghua University（清华大学） ； Harvard University（哈佛大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Nanyang Technological University（南洋理工大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出RoboTAG，通过结合3D和2D分支，利用拓扑对齐图缓解对标签的依赖，提升机器人姿态估计的鲁棒性。