Cornell University（康奈尔大学）

Adaptive Signal Resuscitation: Channel-wise Post-Pruning Repair for Sparse Vision Networks

自适应信号复苏：用于稀疏视觉网络的通道级后剪枝修复

Qishi Zhan, Ziheng Chen, Minxuan Hu

机构 * Department of Mathematical and Statistical Sciences, Marquette University（马歇尔大学数学与统计科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cornell Ann S. Bowers College of Computing and Information Science, Cornell University（康奈尔大学安·S·博尔斯计算与信息科学学院） 纠错

AI总结 本文提出了一种无需训练的通道级修复方法ASR，用于解决高稀疏度下因后剪枝修复粒度不匹配导致的精度下降问题，通过估计每个输出通道的方差匹配修正并结合数据驱动的收缩规则，提升稀疏视觉网络的性能。

Semiparametric Efficient Bilevel Gradient Estimation

半参数高效双层梯度估计

Fares El Khoury, Houssam Zenati, Nathan Kallus, Michael Arbel, Aurélien Bibaut

机构 * Université Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔INP、LJK实验室） ； Gatsby Computational Neuroscience Unit, University College London（伦敦大学学院（UCL）的Gatsby计算神经科学单位） ； Cornell University（康奈尔大学） ； Netflix Research（Netflix研究） 纠错

AI总结 本文提出一种半参数去偏理论，用于消除双层梯度估计中的一阶偏差，通过交叉拟合的正交超梯度估计器实现了渐近正态性，并在二次损失下简化为基于条件均值 nuisances 的双重鲁棒分数。

Agent Security is a Systems Problem

智能体安全是系统问题

Mihai Christodorescu, Earlence Fernandes, Ashish Hooda, Somesh Jha, Johann Rehberger, Kamalika Chaudhuri, Xiaohan Fu, Khawaja Shams, Guy Amir, Jihye Choi, Sarthak Choudhary, Nils Palumbo, Andrey Labunets, Nishit V. Pandya

机构 * Google（谷歌） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； EmbraceTheRed ； Gray Swan AI ； Cornell University（康奈尔大学） 纠错

AI总结 本文提出智能体安全应作为系统问题来解决，强调通过系统层面的安全不变量来保障AI模型的安全性，而非仅仅依赖模型鲁棒性。文章基于系统安全领域的技术，提出了设计可预测安全保证的智能体系统的核心原则，并分析了实际攻击案例和实现这些原则面临的挑战。

Statistical Guarantees in the Search for Less Discriminatory Algorithms

在寻找更少歧视性算法中统计保证

Chris Hays, Ben Laufer, Solon Barocas, Manish Raghavan

机构 * MIT（麻省理工学院） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文研究了在高风险领域中，企业为减少对受保护群体的歧视性影响而寻找更少歧视性算法的统计保证问题，提出了一种自适应停止算法以确定何时停止搜索以证明进一步搜索不会带来有意义的改进。

Comments 38 pages, 10 figures

Enhanced Reinforcement Learning-based Process Synthesis via Quantum Computing

通过量子计算增强的强化学习过程合成

Austin Braniff, Fengqi You, Yuhe Tian

机构 * Department of Chemical and Biomedical Engineering, West Virginia University（西弗吉尼亚大学化学与生物医学工程系） ； R.F. Smith School of Chemical and Biomolecular Engineering, Cornell University（康奈尔大学R.F. Smith化学与生物分子工程学院） 纠错

AI总结 本文提出了一种基于量子强化学习的过程合成方法，通过构建通用框架将过程合成问题形式化为马尔可夫决策过程，并引入量子增强的强化学习算法以提高可扩展性，同时通过经典强化学习作为基准进行比较，展示了量子方法在过程合成中的竞争力。

A Semantic and Occlusion-Aware GM-PHD Filter

一种语义和遮挡感知的GM-PHD滤波器

Jovan Menezes, Mark Campbell

机构 * Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学机械与航空航天工程系） 纠错

AI总结 本文提出了一种包含从深度学习中提取的语义信息的新出生模型，以创建一种遮挡感知的高斯混合概率假说密度（GM-PHD）滤波器。与以往依赖简单或统一假设的方法不同，所提出的语义-遮挡感知（S-OA）出生模型通过显式考虑遮挡区域并利用环境的语义信息来定义初始化项。这使滤波器能够准确表示新物体更可能出现的位置，从而在复杂和高密度的驾驶场景中提高跟踪性能。该方法通过蒙特卡洛模拟和KITTI数据集的实验进行评估。性能通过测量首次检测与跟踪初始化之间的延迟、平均绝对数量误差以及最优子模式分配（OSPA）度量来评估。结果表明，S-OA出生模型在遮挡密集的环境中减少了初始化延迟，在约70%的情况下匹配或优于最强基线。还提供了出生模型权重的敏感性分析。总体而言，研究结果强调了在自动驾驶中将遮挡推理和语义先验整合到贝叶斯跟踪框架中的优势。

Comments Accepted at ICRA 2026

Intent-First Aerial V2V for Tactical Coordination and Separation: Protocol and Performance Under Density and Disturbance

意图优先的空中车对车通信用于战术协调与分离：协议与性能在密度和干扰下的表现

Mehrnaz Sabet

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本研究提出了一种意图优先的空中车对车（V2V）协议，用于密集的无人机交通管理（UTM）操作，通过部署的邻近通信机制提供新鲜可信的信息以实现局部协调，该协议结合刷新的状态和意图信标，用于局部感知、协同感知和降级模式评估，并通过事件触发的消息进行让行、排序、释放和应急协调。

Comments Submitted to IEEE Transactions on Intelligent Transportation Systems

$Δ$ynamics: Language-Based Representation for Inferring Rigid-Body Dynamics From Videos

$Δ$ynamics: 一种基于语言的表示方法，用于从视频中推断刚体动力学

Chia-Hsiang Kao, Cong Phuoc Huynh, Chien-Yi Wang, Noranart Vesdapunt, Stefan Stojanov, Bharath Hariharan, Oleksandr Obiednikov, Ning Zhou

机构 * Cornell University（康奈尔大学） ； Amazon（亚马逊） 纠错

AI总结 本文提出$Δ$YNAMICS框架，通过语言统一表示刚体动力学，利用结构化文本生成物理模拟场景配置，结合自然语言运动推理和光流输入提升泛化能力，在CLEVRER数据集上实现了7倍于现有VLMs的分割IoU，并在新数据集上展示了良好的迁移能力。

Comments Accepted to CVPR 2026. Project page: https://iandrover.github.io/2026_dynamics

Platonic Representations in the Human Brain: Unsupervised Recovery of Universal Geometry

人类大脑中的柏拉图表示：无监督恢复通用几何

Pablo Marcos-Manchón, Rishi Jha, Lluís Fuentemilla

机构 * Department of Cognition, Development and Education Psychology, University of Barcelona（巴塞罗那大学认知、发展与教育心理学系） ； Institute of Neurosciences, University of Barcelona（巴塞罗那大学神经科学研究所） ； Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Bellvitge Institute for Biomedical Research, Spain（西班牙贝尔维德生物医学研究 institute） 纠错

AI总结 该研究探讨了人类大脑是否能无监督地恢复通用几何结构，通过自监督编码器在fMRI数据中学习个体特定的嵌入表示，并证明这些表示可以通过几何变换在不同个体间转换。

Comments Code available at https://github.com/memory-formation/platonic-representations-fmri