Carnegie Mellon University（卡内基梅隆大学）

Requential Coding: Pushing the Limits of Model Compression with Self-Generated Training Data

顺序编码：利用自生成训练数据突破模型压缩的极限

Shikai Qiu, Marc Finzi, Yujia Zheng, Kun Zhang, Andrew Gordon Wilson

机构 * New York University（纽约大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究利用自生成训练数据的顺序编码突破模型压缩极限，教师模型从学生分布选样本，学生代码记录选择，代码长度与参数和熵无关且更短，还能揭示现象、给出泛化保证、隔离可学习信息。

Comments Code available at https://github.com/shikaiqiu/requential-coding

Forgetting Our Way to Shared Meaning: Effects of Forgetting on Conceptual Alignment in a Non-Partnership Coordination Game

忘记共享意义之路：遗忘对非合作协调博弈中概念对齐的影响

Landon Liu, Mary Kelly, Alan Tsang

机构 * Institute for Complex Social Dynamics, Carnegie Mellon University（复杂社会动态研究所，卡内基梅隆大学） ； Department of Computer Science, Carleton University（计算机科学系，卡尔顿大学） ； Department of Cognitive Science, Carleton University（认知科学系，卡尔顿大学） 纠错

AI总结 研究主体记忆特征对共享意义出现与演变的影响，将概念对齐建模为非合作博弈，通过反事实模拟发现适应性玩家实际趋同更快，非适应性玩家更早感知趋同，新信息加权方式影响共识稳定性，记忆特征至关重要。

Comments CogSci 2026 Meeting Conference Proceedings

Hallucination Detection in Large Language Models Using Diversion Decoding

使用转移解码检测大语言模型中的幻觉

Basel Abdeen, S M Tahmid Siddiqui, Meah Tahmeed Ahmed, Anoop Singhal, Latifur Khan, Punya Parag Modi, Ehab Al-Shaer

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究大语言模型中的幻觉检测问题，提出转移解码新方法，通过在解码阶段挑战模型响应提取特征，训练机器学习模型度量不确定性，该方法计算复杂度低，优于现有方法。

Journal ref Data and Applications Security and Privacy XXXIX. DBSec 2025

InterPet4D: A Multimodal 4D Human-Pet Interaction Dataset for Pet Motion Generation

InterPet4D：用于宠物运动生成的多模态4D人宠交互数据集

Yichen Peng, Jyun-Ting Song, Chen-Chieh Liao, Kris Kitani, Hideki Koike, Erwin Wu

机构 * Institute of Science Tokyo（东京科学研究所） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 因缺乏高质量数据集，人宠交互研究不足。本文提出InterPet4D多模态数据集及InterPetMoGen框架，通过同步多视图系统记录交互并标注，含多类型数据，所提模型FID得分11.21，优于基线，有效模拟人宠交互。

Millimeter Wave Radar: From Synthetic Aperture to Probabilistic Mapping

毫米波雷达：从合成孔径到概率地图

Jui-Te Huang, Ruoyang Xu, Michael Kaess

机构 * School of Computer Science, Robotics Institute, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所） 纠错

AI总结 针对毫米波雷达数据创建概率地图的挑战，建立从原始信号到概率占用地图的完整流程，含合成孔径雷达处理与概率建模，经室内验证、性能分析及参数研究，展示方法有效性与局限性，并贡献开源数据集及处理管道。

Dynamic Agent Skills: A Lifecycle Survey and Taxonomy of Evolving Skill Libraries

动态智能体技能：不断演进的技能库的生命周期调查与分类法

Yubo Li

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

AI总结 研究大型语言模型智能体中技能库随时间的变化，通过分类法、生命周期架构和技能记录模式等工具组织文献，合成证据分级模式，指出相关问题并提出报告标准及开放问题。

Comments Accepted by TMLR (2026.07), OpenReview Link: https://openreview.net/forum?id=cjU3YbcRr8

Journal ref Transactions on Machine Learning Research, 2026

A Numerically-Robust ROS 2 Port of iG-LIO: Diagnosing and Fixing Toolchain-Induced Failures in Incremental GICP LiDAR-Inertial Odometry

iG-LIO的数值稳健ROS 2端口：诊断和修复增量GICP激光雷达惯性里程计中工具链引起的故障

Afonso E. Carvalho, David Portugal, Paulo Peixoto

机构 * Robotics Institute (RI), Carnegie Mellon University (CMU)（卡内基梅隆大学机器人研究所） ； Institute of Systems and Robotics (ISR), University of Coimbra (UC)（科英布拉大学系统与机器人研究所） 纠错

AI总结 研究针对iG-LIO的ROS 2端口，诊断并修复由工具链导致的数值故障。通过分析QoS不匹配等问题，采取修正点场解析、添加传感器支持等方法，在多种传感器上验证了改进后的端口，为该端口提供了可引用参考。

Comments 3 pages, 1 figure, 4 references

Diffusion for Long-Horizon Multi-Robot Path Planning in Human-Shared Environments

人类共享环境中长距离多机器人路径规划的扩散方法

Vaibhav Sanjay, Yorai Shaoul, Jiaoyang Li

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

AI总结 研究人类共享环境中多机器人长距离路径规划问题，提出MRRD框架，结合滚动时域、并行扩散推理及冲突搜索机制，纳入时间条件与引导项，实验证明该框架能实时扩展到15个机器人，性能优于现有基线。

Comments 8 pages, 3 figures, to be published in IROS 2026

Depth-Efficient Quantum Topological Data Analysis for Regime-Specific Detection of Financial Stress

用于特定状态金融压力检测的深度高效量子拓扑数据分析

Arul Rhik Mazumder, Shreyan Ronit Mazumder

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Cambridge Rindge and Latin School（剑桥拉丁学校） 纠错

AI总结 该研究首次将泡利相关编码用于量子拓扑数据分析，通过塔克嵌入和维托里斯 - 里普斯过滤提取数据，用浅电路编码，能在一定程度上恢复贝蒂数，但跨危机状态校准不能泛化。

Comments 12 pages, 6 figures, 5 tables, Accepted to IEEE International Conference of Quantum Computing and Engineering - QCE 2026 in the Quantum Applications (QAPP) Technical Papers track

An End-to-End Hybrid Quantum--Classical Sampling Workflow for Discrete Markov Random Fields: A Reproducible Case Study

离散马尔可夫随机场的端到端混合量子-经典采样工作流程：一个可重现的案例研究

Arul Rhik Mazumder

机构 * School of Computer Science（计算机科学学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 研究离散马尔可夫随机场采样难题中，对小MRF采用幅度编码独立同分布采样，与经典MCMC比较。通过多个实例展示不同方法的ESS比率等，还进行了预处理时间、MPS缩放及VQC与MPS的比较，揭示各方法特点及差距。

Comments 9 pages, 7 figures, 9 tables, Accepted to IEEE International Conference of Quantum Computing and Engineering - QCE 2026 in the Quantum End-to-End Hybrid Case Studies (QECS) Technical Papers track