Carnegie Mellon University（卡内基梅隆大学）

Text Knows What, Tables Know When: Clinical Timeline Reconstruction via Retrieval-Augmented Multimodal Alignment

文本知晓什么，表格知晓何时：通过检索增强的多模态对齐进行临床时间线重建

Sayantan Kumar, Shahriar Noroozizadeh, Juyong Kim, Jeremy C. Weiss

机构 * National Library of Medicine National Institutes of Health（国家医学图书馆国立卫生研究院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出一种检索增强的多模态对齐框架，通过结合文本和结构化EHR数据，提高临床时间线的精确度，提升时间一致性，同时保持事件匹配率。

Comments Sayantan Kumar, Shahriar Noroozizadeh, Juyong Kim (authors contributed equally)

Separating Intrinsic Ambiguity from Estimation Uncertainty in Deep Generative Models for Linear Inverse Problems

在深度生成模型中分离内在模糊性与估计不确定性用于线性逆问题

Yuxin Guo, Dongrui Deng, Pulkit Grover

机构 * Neuroscience Institute, Carnegie Mellon University（卡内基梅隆大学神经科学研究所） ； Machine Learning Department, Carnegie Mellon University（卡内基梅隆大学机器学习系） ； 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） 纠错

AI总结 本文提出一种分解后验不确定性的方法，用于区分逆问题中固有模糊性和推断传播的不确定性，通过校准分析揭示模型失败模式。

Generalized Priority-Aware Shapley Value

优先感知的Shapley值的推广

Kiljae Lee, Ziqi Liu, Weijing Tang, Yuan Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出通用优先感知Shapley值（GPASV），用于机器学习中的估值问题，通过轴心性刻画和计算方法，展示了不同优先级平衡对数据估值的实质性影响。

Co-Me: Confidence-Guided Token Merging for Visual Geometric Transformers

Co-Me：基于置信度的令牌合并用于视觉几何变换器

Yutian Chen, Yuheng Qiu, Ruogu Li, Ali Agha, Shayegan Omidshafiei, Jay Patrikar, Sebastian Scherer

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

AI总结 Co-Me通过置信度指导的令牌合并加速视觉几何变换器，无需重新训练或微调基础模型，有效减少计算量并保持空间覆盖，实现显著加速且不降性能。

VER: Vision Expert Transformer for Robot Learning via Foundation Distillation and Dynamic Routing

VER：基于基础蒸馏和动态路由的机器人学习视觉专家变换器

Yixiao Wang, Mingxiao Huo, Zhixuan Liang, Yushi Du, Lingfeng Sun, Haotian Lin, Jinghuan Shang, Chensheng Peng, Mohit Bansal, Mingyu Ding, Masayoshi Tomizuka

机构 * UC Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Hong Kong（香港大学） ； Peking University（北京大学） ； Stony Brook University（石溪大学） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 VER通过基础蒸馏和动态路由实现机器人学习，采用轻量路由网络动态选择专家，提升任务灵活性和精度，实现多任务高性能。

Matrix-Space Reinforcement Learning for Reusing Local Transition Geometry

矩阵空间强化学习用于重用局部转移几何

Zuyuan Zhang, Carlee Joe-Wong, Tian Lan

机构 * The George Washington University（乔治·华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出矩阵空间强化学习（MSRL），通过正定矩阵描述轨迹片段，提取共享结构并支持抽象矩阵空间中的代数组合，实现在新任务中的迁移学习。

Parallelizing Counterfactual Regret Minimization

并行化反事实遗憾最小化

Juho Kim, Tuomas Sandholm

机构 * CMU Strategic Machine, Inc.（CMU战略机器公司） ； Strategy Robot, Inc.（策略机器人公司） ； Optimized Markets, Inc.（优化市场公司） 纠错

AI总结 本文提出并行化反事实遗憾最小化算法框架，通过线性代数运算加速大规模不完全信息游戏求解，实验显示GPU实现比CPU快四量级。

Comments This paper contains and extends ideas that were originally in arxiv:2408.14778

Heuristic Pathologies and Further Variance Reduction via Uncertainty Propagation in the AIVAT Family of Techniques

启发式病态及通过不确定性传播进一步方差缩减在AIVAT技术家族中

Juho Kim, Tuomas Sandholm

机构 * CMU Strategic Machine, Inc.（CMU战略机器公司） ； Strategy Robot, Inc.（策略机器人公司） ； Optimized Markets, Inc.（优化市场公司） 纠错

AI总结 本文探讨了AIVAT技术中启发式价值函数的潜在漏洞，并通过不确定性传播进一步减少方差，实验显示可减少43%的样本需求。

Runtime Monitoring of Perception-Based Autonomous Systems via Embedding Temporal Logic

通过嵌入时序逻辑对基于感知的自主系统进行运行时监控

Parv Kapoor, Abigail Hammer, Ashish Kapoor, Karen Leung, Eunsuk Kang

机构 * Software and Societal Systems Department（软件与社会系统部门） ； Carnegie Mellon University（卡内基梅隆大学） ； General Robotics（通用机器人） ； Aeronautics and Astronautics Department（航空与航天系） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出嵌入时序逻辑（ETL），在学习的嵌入空间中直接进行监控，通过观测嵌入与目标嵌入的距离定义谓词，能够捕捉高阶感知概念，如视觉目标相似性或避免语义区域，通过时序运算符表达时间扩展和序列行为。

Learning Polyhedral Conformal Sets for Robust Optimization

学习多面体符合集以实现鲁棒优化

Shuyi Chen, Wenbin Zhou, Shixiang Zhu

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

AI总结 本文提出一种决策感知的符合框架，通过数据驱动的超平面参数化多面体不确定性集，直接最小化诱导的鲁棒损失，结合符合校准保持统计有效性，并通过独立数据集重新校准以恢复覆盖。

SEDGE: Structural Extrapolated Data Generation

SEDGE: 结构性外推数据生成

Kun Zhang, Jiaqi Sun, Yiqing Li, Ignavier Ng, Namrata Deka, Shaoan Xie

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） 纠错

AI总结 本文提出SEDGE框架，通过合理假设数据生成过程，实现可靠的新规范数据生成，并探讨算法实现与外推性能验证。

Comparing Developer and LLM Biases in Code Evaluation

比较开发者与LLM在代码评估中的偏见

Aditya Mittal, Ryan Shar, Zichu Wu, Shyam Agarwal, Tongshuang Wu, Chris Donahue, Ameet Talwalkar, Wayne Chi, Valerie Chen

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

AI总结 本文提出TRACE框架，评估LLM在代码评估中的偏见，发现LLM在与开发者偏好对齐方面表现不佳，揭示了人类与模型在代码质量标准上的系统性差异。

Argument Reconstruction as Supervision for Critical Thinking in LLMs

论点重建作为大语言模型批判性思维的监督

Hyun Ryu, Gyouk Chu, Gregor Betz, Eunho Yang, Carolyn Rose, Sean Welleck

机构 * Carnegie Mellon University（卡内基梅隆大学） ； KAIST（韩国科学技术院） ； KIT（卡尔斯鲁厄理工学院） 纠错

AI总结 本文提出GAAR引擎和Arguinas数据集，探讨通过论点重建提升大语言模型批判性思维能力，实验显示在七项任务中训练模型表现更优。

Geometry-Aware Decoding with Wasserstein-Regularized Truncation and Mass Penalties for Large Language Models

具有Wasserstein正则化截断和质量惩罚的几何感知解码

Arash Gholami Davoodi, Navid Rezazadeh, Seyed Pouyan Mousavi Davoudi, Pouya Pezeshkpour

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Megagon Labs（Megagon实验室） ； University of California, Irvine（加州大学伊文斯顿分校） 纠错

AI总结 本文提出Top-W解码方法，通过Wasserstein距离保持token嵌入空间几何特性，平衡概率质量与熵，提升大语言模型生成质量与创造力。

Comments 20 pages, 3 figures, 8 tables, ICML 2026

ExploitBench: A Capability Ladder Benchmark for LLM Cybersecurity Agents

ExploitBench: 一个用于LLM网络安全代理的能力阶梯基准

Seunghyun Lee, David Brumley

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

AI总结 ExploitBench通过16个可测量标志分解exploitation过程，评估模型在网络安全任务中的能力差异，揭示了公开部署模型与私有模型在exploitation能力上的显著差距。

Learning Dynamic Rope Manipulation Using Task-Level Iterative Learning Control

利用任务级迭代学习控制学习动态绳索操作

Krishna Suresh, Chris Atkeson

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

AI总结 本文提出一种任务级迭代学习控制方法，用于动态绳索操作，通过单次人类示范和简化绳索模型，在硬件上直接学习，无需大量数据或模拟。方法在7种不同绳索上实现100%成功率，且能快速迁移至大多数绳索类型。

Comments Project website: https://flying-knots.github.io