Carnegie Mellon University（卡内基梅隆大学）

Distribution-free changepoint localization after sequential change detection

顺序变化检测后的无分布变化点定位

Aytijhya Saha, Aaditya Ramdas

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种无分布框架，在停止顺序变化检测程序后构建变化点的后检测置信集，无需任何分布假设，并保证了有限样本覆盖率和渐近有界期望大小。

PolyJarvis: An LLM-Orchestrated Agent for Automated All-Atom Molecular Dynamics of Amorphous Homopolymers

PolyJarvis：用于自主聚合物分子动力学模拟的LLM代理

Alexander Zhao, Achuth Chandrasekhar, Amir Barati Farimani

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

AI总结 PolyJarvis结合大语言模型与RadonPy平台，通过MCP服务器实现从自然语言输入自主执行聚合物分子动力学模拟，预测密度、体积模量和玻璃化温度等性质，验证结果在不同聚合物中表现良好。

IndoorR2X: Indoor Robot-to-Everything Coordination with LLM-Driven Planning

IndoorR2X: 基于大语言模型的室内机器人与万物协调

Fan Yang, Soumya Teotia, Shaunak A. Mehta, Prajit KrisshnaKumar, Quanting Xie, Jun Liu, Yueqi Song, Wenkai Li, Atsunori Moteki, Kanji Uchino, Yonatan Bisk

机构 * Fujitsu Research（富士通研究所） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 IndoorR2X通过整合移动机器人和静态物联网设备的观测数据，构建全局语义状态，实现可扩展的场景理解、减少冗余探索并利用大语言模型进行高层协调，提升多机器人系统的效率和可靠性。

Multimodal Analytics of Cybersecurity Crisis Preparation Exercises: What Predicts Success?

多模态分析网络安全危机准备演习：什么预测成功？

Conrad Borchers, Valdemar Švábenský, Sandesh K. Kafle, Kevin K. Tang, Jan Vykopal

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Masaryk University, Faculty of Informatics（马萨里克大学信息学院） 纠错

AI总结 研究通过多模态追踪分析网络安全演习中的教学对齐，发现对齐度预测成功，而单纯Bloom分类无效。

Comments Accepted as full paper to the 27th International Conference on Artificial Intelligence in Education (AIED 2026), see https://doi.org/10.1007/978-3-032-29760-0_47

RayRoPE: Projective Ray Positional Encoding for Multi-view Attention

RayRoPE: 多视角注意力的投影位置编码

Yu Wu, Minsik Jeon, Jen-Hao Rick Chang, Oncel Tuzel, Shubham Tulsiani

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Apple（苹果公司） 纠错

AI总结 本文提出RayRoPE，一种基于投影坐标的位置编码方法，用于多视角Transformer，实现SE(3)不变的注意力机制，并能适应3D场景几何。

Comments Project page: https://rayrope.github.io/

Empirical Computation: Prompting versus Programming

经验计算：提示与编程

Eric Tang, Jing Liu, Marcel Böhme

机构 * CMU（卡内基梅隆大学） ； MPI-SP（马克斯·普朗克研究所） 纠错

AI总结 探讨经验计算（用提示让大语言模型解决问题而非编程）的挑战与机遇，呼吁软件工程界分析其特性，如正确性、属性及极限等，以将经验计算确立为软件工程领域。

Comments Accepted at ACM/IEEE ASE'26 (New Ideas and Emerging Results; NIER), 5 pages