Carnegie Mellon University（卡内基梅隆大学）

Data for Mathematical Copilots: Better Ways of Presenting Proofs for Machine Learning

用于数学助手的数据：为机器学习呈现证明的更好方式

Simon Frieder, Jonas Bayer, Sam Looi, Jacob Loader, Julius Berner, Katherine M. Collins, András Juhász, Fabian Ruehle, Sean Welleck, Gabriel Poesia, Ryan-Rhys Griffiths, Adrian Weller, Anirudh Goyal, Cameron Freer, Thomas Lukasiewicz, Timothy Gowers

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Caltech（加州理工学院） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； FutureHouse Inc.（未来房屋公司） ； Meta ； Vienna University of Technology（维也纳技术大学） ； MIT（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； Collège de France（法兰西学院） 纠错

AI总结 本文提出改进数学助手数据集的设计，以更真实反映数学研究实践，从而提升大语言模型的证明学习能力。

Comments 59 pages

Beyond Force Metrics: Pre-Training MLFFs for Stable MD Simulations

超越力度度量：预训练MLFFs用于稳定的MD模拟

Shagun Maheshwari, Zhengxian Tang, Janghoon Ock, Adeesh Kolluru, Amir Barati Farimani, John R. Kitchin

机构 * Department of Materials Science Engineering, Carnegie Mellon University（材料科学与工程系，卡内基梅隆大学） ； Department of Chemical Engineering, Carnegie Mellon University（化学工程系，卡内基梅隆大学） ； Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学） 纠错

AI总结 本研究通过预训练GemNet-T模型提升MD模拟稳定性，发现预训练能产生更稳定的力场表示，从而延长模拟轨迹长度。

Strategic Planning and Rationalizing on Trees Make LLMs Better Debaters

树状规划与理性化使大语言模型成为更好的辩论者

Danqing Wang, Zhuorui Ye, Xinran Zhao, Fei Fang, Lei Li

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

AI总结 TreeDebater通过引入树状结构提升辩论策略，实现辩论说服力和胜率的显著提升。

Comments 9 main pages

Regularized Langevin Dynamics for Combinatorial Optimization

正则化 Langevin 动力学用于组合优化

Shengyu Feng, Yiming Yang

机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） 纠错

AI总结 本文提出正则化 Langevin 动力学用于组合优化，通过避免局部极小值提升传统启发式方法和神经网络模型的性能。

Comments ICML 2025

Journal ref International conference on machine learning, 2025, PMLR

Large Language Models: A New Approach for Privacy Policy Analysis at Scale

大型语言模型：一种大规模隐私政策分析的新方法

David Rodriguez, Ian Yang, Jose M. Del Alamo, Norman Sadeh

机构 * ETSI Telecomunicación Universidad Politécnica de Madrid Spain（马德里理工大学电信工程学院） ； School of Computer Science Carnegie Mellon University（计算机科学学院卡内基梅隆大学） 纠错

AI总结 本文提出利用大型语言模型进行大规模隐私政策分析，通过高效提取隐私实践，实现高准确率和低资源消耗。

Journal ref Computing, vol. 106, no. 12, pp. 3879-3903, 2024

Image Compression Using Singular Value Decomposition

利用奇异值分解进行图像压缩

Justin Jiang

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 本文研究了利用奇异值分解进行图像压缩，发现其压缩效率低于现有标准格式，且在低误差下可能反而增大图像大小。

Conformalized Decision Risk Assessment

符合化决策风险评估

Wenbin Zhou, Agni Orfanoudaki, Shixiang Zhu

机构 * Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学信息系统与公共政策学院） ； Saïd Business School, University of Oxford（牛津大学said商学院） 纠错

AI总结 CREDO是一种无分布框架，用于量化决策在不确定性下的最优概率，通过逆可行区域和符合预测球提供有限样本下的下界。

Diff-2-in-1: Bridging Generation and Dense Perception with Diffusion Models

Diff-2-in-1：通过扩散模型弥合生成与密集感知的鸿沟

Shuhong Zheng, Zhipeng Bao, Ruoyu Zhao, Martial Hebert, Yu-Xiong Wang

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） ； Tsinghua University（清华大学） 纠错

AI总结 Diff-2-in-1通过结合扩散模型的生成与感知能力，实现多模态数据生成与密集视觉感知的统一框架，提升视觉感知的判别能力。

Comments 26 pages, 14 figures

Journal ref ICLR 2025

Adapting Speech Language Model to Singing Voice Synthesis

将语音语言模型适应于歌唱语音合成

Yiwen Zhao, Jiatong Shi, Jinchuan Tian, Yuxun Tang, Jiarui Hai, Jionghao Han, Shinji Watanabe

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Renmin University of China（中国人民大学） ； John Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出将预训练语音语言模型适应于歌唱语音合成，通过多流语言模型预测、条件流匹配生成梅尔频谱图及梅尔到波形 vocoder 实现，验证了模型在歌唱语音合成任务中的有效性。

Comments Accepted by NeurIPS 2025 workshop AI for Music

Robust Training of Singing Voice Synthesis Using Prior and Posterior Uncertainty

利用先验和后验不确定性进行鲁棒的歌唱语音合成训练

Yiwen Zhao, Jiatong Shi, Yuxun Tang, William Chen, Shinji Watanabe

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Renmin University of China（中国人民大学） 纠错

AI总结 本文提出基于先验和后验不确定性的优化方法，提升歌唱语音合成模型在数据稀缺场景下的鲁棒性和性能

Comments Accepted by ASRU 2025

On the Hardness of Conditional Independence Testing In Practice

在实践中条件独立性检验的难度

Zheng He, Roman Pogodin, Yazhe Li, Namrata Deka, Arthur Gretton, Danica J. Sutherland

机构 * UBC（不列颠哥伦比亚大学） ； McGill and Mila（麦吉尔大学和Mila） ； Microsoft AI（微软人工智能） ； CMU（卡内基梅隆大学） ； Gatsby Unit, UCL（UCL加太西单位） ； UBC and Amii（不列颠哥伦比亚大学和Amii） 纠错

AI总结 研究分析了KCI测试中条件核选择对测试性能的影响，揭示了误差和核选择对I型错误率的关键作用。

Comments Published at NeurIPS 2025: https://openreview.net/forum?id=Tn1M71PDfF

RAST-MoE-RL: A Regime-Aware Spatio-Temporal MoE Framework for Deep Reinforcement Learning in Ride-Hailing

RAST-MoE-RL: 一种面向动态的时空MoE框架用于网约车深度强化学习

Yuhan Tang, Kangxin Cui, Jung Ho Park, Yibo Zhao, Xuan Jiang, Haoze He, Dingyi Zhuang, Shenhao Wang, Jiangbo Yu, Haris Koutsopoulos, Jinhua Zhao

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Tongji University（同济大学） ； University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； McGill University（麦吉尔大学） ； Northeastern University（东北大学） 纠错

AI总结 RAST-MoE-RL通过引入制度感知的时空MoE框架，提升了网约车深度强化学习中的决策效率与稳定性，实现了更高的奖励和更短的等待时间。

Global Deep Forecasting with Patient-Specific Pharmacokinetics

基于患者特异性药代动力学的全球深度预测

Willa Potosnak, Cristian Challu, Kin G. Olivares, Keith A. Dufendach, Artur Dubrawski

机构 * Auton Lab School of Computer Science Carnegie Mellon University（自动化实验室计算机科学学院卡内基梅隆大学） ； Nixtla ； Amazon（亚马逊） ； University of Pittsburgh Medical Center Division of Cardiac Surgery（匹兹堡大学医学中心心脏外科 division） 纠错

AI总结 本文提出了一种结合患者特异性药代动力学的深度预测方法，通过混合架构和编码器提升血葡萄糖预测的准确性，实验结果显示在模拟和实际数据中均取得显著效果。

Cost-aware LLM-based Online Dataset Annotation

面向成本的基于大语言模型的在线数据集标注

Eray Can Elumar, Cem Tekin, Osman Yagan

机构 * Dept. of Electrical and Computer Engineering（电气与计算机工程系） ； Carnegie Mellon University（卡内基梅隆大学） ； Dept. of Electrical Engineering（电气工程系） ； Bilkent University（比尔肯特大学） 纠错

AI总结 本文提出CaMVo框架，通过自适应选择LLM子集降低标注成本，实现高效准确的数据集标注。

Journal ref In The Thirty-ninth Annual Conference on Neural Information Processing Systems, 2025. URL https://openreview.net/forum?id=3AdTRYA2uJ

In-context Learning of Evolving Data Streams with Tabular Foundational Models

在上下文学习中学习演变数据流的表格基础模型

Afonso Lourenço, João Gama, Eric P. Xing, Goreti Marreiros

机构 * INESC-TEC, FEP, University of Porto（INESC-TEC、FEP、葡萄牙波尔图大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出利用表格基础模型和上下文学习方法，通过滑动内存策略在动态环境中实现高效的数据流处理，优于传统集成方法。

Comments Accepted at 32nd SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026)

Can You Keep a Secret? Exploring AI for Care Coordination in Cognitive Decline

你能保密吗？探索人工智能在认知衰退中的护理协调

Alicia, Lee, Mai Lee Chang, Sreehana Mandava, Destiny Deshields, Hugo Simão, Aaron Steinfeld, Jodi Forlizzi, John Zimmerman

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Maryland（马里兰大学） 纠错

AI总结 本文探讨人工智能如何通过搭便车策略帮助认知衰退老年人协调护理，以减少照护负担并延长其在家中生活的可能性。

Comments 13 pages, 6 figures

Autonomously Unweaving Multiple Cables Using Visual Feedback

自主利用视觉反馈解缠多根电缆

Tina Tian, Xinyu Wang, Andrew L. Orekhov, Fujun Ruan, Lu Li, Oliver Kroemer, Howie Choset

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 本文提出了一种利用视觉反馈解缠多根松散缠绕电缆的方法，通过状态转移模型优化动作选择，实现了84%的成功率。

Comments 6 pages, 5 figures

SuperGen: An Efficient Ultra-high-resolution Video Generation System with Sketching and Tiling

SuperGen: 一种高效的超高清视频生成系统，支持草图和分块

Fanjiang Ye, Zepeng Zhao, Yi Mu, Jucheng Shen, Renjie Li, Kaijian Wang, Saurabh Agarwal, Myungjin Lee, Triston Cao, Aditya Akella, Arvind Krishnamurthy, T. S. Eugene Ng, Zhengzhong Tu, Yuke Wang

机构 * Rice University（里士满大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Texas A&M University（德克萨斯农工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco（思科公司） ； NVIDIA（英伟达公司） ； University of Washington（华盛顿大学） 纠错

AI总结 SuperGen通过分块技术实现高效超高清视频生成，无需额外训练，降低计算和内存成本，提升生成速度和质量。

SoMi-ToM: Evaluating Multi-Perspective Theory of Mind in Embodied Social Interactions

SoMi-ToM：评估具身社会互动中的多视角理论之心假设

Xianzhe Fan, Xuhui Zhou, Chuanyang Jin, Kolby Nottingham, Hao Zhu, Maarten Sap

机构 * The University of Hong Kong（香港大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California Irvine（加州大学尔湾分校） ； Stanford University（斯坦福大学） 纠错

AI总结 SoMi-ToM基准通过多视角评估人类与模型在具身社会互动中的理论之心能力，揭示大型视觉-语言模型在复杂社交场景中的不足。

Comments 24 pages, 6 figures

Journal ref Proceedings of the 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Generalizing Safety Beyond Collision-Avoidance via Latent-Space Reachability Analysis

通过潜在空间可达性分析超越碰撞回避的安全性泛化

Kensuke Nakamura, Lasse Peters, Andrea Bajcsy

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Delft University of Technology（代尔夫特理工大学） 纠错

AI总结 本文提出潜在安全过滤器，通过潜在空间可达性分析，使机器人能自动计算安全动作，防止难以手动编写但可通过高维观测识别的故障。

Comments 9 figures, 7 tables, RSS 2025

Journal ref Proceedings of Robotics: Science and Systems, 2025

State Combinatorial Generalization In Decision Making With Conditional Diffusion Models

决策中的状态组合泛化与条件扩散模型

Xintong Duan, Yutong He, Fahim Tajwar, Wen-Tse Chen, Ruslan Salakhutdinov, Jeff Schneider

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

AI总结 本文提出利用条件扩散模型实现决策中的状态组合泛化，通过实验展示其在多环境中的优越性能。

Comments Accepted to Transactions on Machine Learning Research (TMLR), 2025

Fine Tuning Swimming Locomotion Learned from Mosquito Larvae

基于蚊幼虫学习的游泳运动微调

Pranav Rajbhandari, Karthick Dhileep, Sridhar Ravi, Donald Sofge

机构 * Department of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学系） ； School of Engineering and Technology, University of New South Wales（新南威尔士大学工程与技术学院） ； Naval Research Laboratory（海军研究实验室） 纠错

AI总结 本文通过强化学习优化蚊幼虫学习的游泳运动，利用深度学习模型减少计算成本，提升参数化游泳运动的效率。

ECCO: Leveraging Cross-Camera Correlations for Efficient Live Video Continuous Learning

ECCO：利用跨摄像头相关性实现高效的实时视频连续学习

Yuze He, Ferdi Kossmann, Srinivasan Seshan, Peter Steenkiste

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

AI总结 ECCO通过利用跨摄像头相关性，实现高效的实时视频连续学习，减少计算和通信成本，提升重新训练准确性并支持更多摄像头。

A Scalable Multi-GPU Framework for Encrypted Large-Model Inference

可扩展的多GPU框架用于加密大模型推断

Siddharth Jayashankar, Joshua Kim, Michael B. Sullivan, Wenting Zheng, Dimitrios Skarlatos

机构 * Carnegie Mellon University（卡内基梅隆大学） ； UT Austin（得克萨斯大学） ； NVIDIA（英伟达） 纠错

AI总结 Cerium是首个实现加密大模型推断的多GPU框架，通过优化编译器和运行时系统，显著提升FHE推断性能，达到与ASIC相当的效率。

Latent Variable Causal Discovery under Selection Bias

潜在变量因果发现中的选择偏差问题

Haoyue Dai, Yiwen Qiu, Ignavier Ng, Xinshuai Dong, Peter Spirtes, 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 本文提出了一种基于排名约束的方法，用于在存在选择偏差的情况下识别潜在变量模型中的因果结构。

Comments Appears at ICML 2025

Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML), 2025

MM-SeR: Multimodal Self-Refinement for Lightweight Image Captioning

MM-SeR: 多模态自反思用于轻量级图像描述

Junha Song, Yongsik Jo, So Yeon Min, Quanting Xie, Taehwan Kim, Yonatan Bisk, Jaegul Choo

机构 * KAIST（韩国科学技术院） ； UNIST（全南国立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 MM-SeR通过轻量级多模态自反思框架，在减少计算成本的同时，实现了与大规模模型相当的图像描述性能，并扩展到长距离视频问答任务。

Comments Project page: https://sites.google.com/view/junha/mm-ser

Large Language Model Agent for Modular Task Execution in Drug Discovery

用于药物发现模块化任务执行的大型语言模型代理

Janghoon Ock, Radheesh Sharma Meda, Srivathsan Badrinarayanan, Neha S. Aluru, Achuth Chandrasekhar, Amir Barati Farimani

机构 * Department of Chemical Engineering, Carnegie Mellon University（化学工程系，卡内基梅隆大学） ； Department of Material Science and Engineering, Carnegie Mellon University（材料科学与工程系，卡内基梅隆大学） ； Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学） 纠错

AI总结 本文提出了一种基于大型语言模型的模块化框架，用于药物发现中的任务执行，通过自动化分子生成和属性预测提升药物筛选效率。

Empowering GNNs for Domain Adaptation via Denoising Target Graph

通过去噪目标图增强图神经网络的领域适应

Haiyang Yu, Meng-Chieh Lee, Xiang song, Qi Zhu, Christos Faloutsos

机构 * Texas A&M University（德克萨斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） 纠错

AI总结 GraphDeT通过在目标图上引入去噪边任务提升GNN在领域适应中的节点分类性能。

Any4D: Unified Feed-Forward Metric 4D Reconstruction

Any4D：统一的前馈度量4D重建

Jay Karhade, Nikhil Keetha, Yuchen Zhang, Tanisha Gupta, Akash Sharma, Sebastian Scherer, Deva Ramanan

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

AI总结 Any4D通过模块化4D场景表示，实现高效的多视图前馈4D重建，提升精度和效率，适用于多种下游应用。

Comments Project Website: https://any-4d.github.io/

Learning by Analogy: A Causal Framework for Composition Generalization

通过类比学习：一种因果框架下的组合泛化

Lingjing Kong, Shaoan Xie, Yang Jiao, Yetian Chen, Yanhui Guo, Simone Shao, Yan Gao, Guangyi Chen, Kun Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Amazon（亚马逊） ； 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 本文提出了一种基于因果模块性和最小变化的框架，通过分层数据生成过程实现组合泛化，证明了该结构可从可观测数据中恢复，并在基准数据集上取得显著改进。