Cornell University（康奈尔大学）

How abundant are good interpolators?

好的插值器有多丰富？

August Y. Chen, Ahmed El Alaoui

机构 * Cornell University, Department of Computer Science（康奈尔大学计算机科学系） ； Cornell University, Department of Statistics and Data Science（康奈尔大学统计与数据科学系） 纠错

AI总结 在高维比例下，通过大偏差原理研究随机均匀选择的线性插值分类器的泛化误差分布，发现几乎所有插值分类器具有相同的泛化性能，而高效算法（如梯度下降）优于大多数插值器。

Comments 140 pages

Uncovering Extreme Event Mechanisms for Prediction and Control with Sensitivity-Balanced Projections

利用敏感度平衡投影揭示极端事件机制以进行预测与控制

Nicholas Zolman, Sajeda Mokbel, Samuel E. Otto, Steven L. Brunton

机构 * Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； AI Institute in Dynamic Systems, University of Washington（华盛顿大学动态系统人工智能研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学Sibley机械与航空航天工程学院） 纠错

AI总结 提出基于协方差平衡降维（CoBRAS）的可解释方法，通过自动微分替代伴随计算，识别敏感度平衡投影以揭示极端事件机制，并用于数据驱动预测和事件抑制控制。

Comments 12 pages, 6 figures (main text). Additional 14 pages of references and Supplementary Information

CityRAG: Stepping Into a City via Spatially-Grounded Video Generation

CityRAG: 通过空间感知的视频生成进入城市

Gene Chou, Charles Herrmann, Kyle Genova, Boyang Deng, Songyou Peng, Bharath Hariharan, Jason Y. Zhang, Noah Snavely, Philipp Henzler

机构 * Google（谷歌） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） 纠错

AI总结 CityRAG通过利用地理注册数据的大型语料库，生成空间一致且可导航的真实环境视频，其核心方法是结合学习的先验知识和时空不一致训练数据，以实现复杂的运动和外观变化。

Comments Project page: cityrag.github.io

On the Robustness of Langevin Dynamics to Score Function Error

关于对数动力学对分数函数误差的鲁棒性

Daniel Yiming Cao, August Y. Chen, Karthik Sridharan, Yuchen Wu

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文研究了基于分数函数的生成模型对分数函数估计误差的鲁棒性，发现对数动力学在L2误差（更一般地Lp误差）下并不鲁棒，即使在高维简单分布中，即使分数函数估计误差非常小，对数动力学在多项式时间内运行也会导致与目标分布的总变差距离很大，这进一步支持了扩散模型优于对数动力学。

Comments ICML 2026

Efficiently Escaping Saddle Points under Generalized Smoothness via Self-Bounding Regularity

通过广义平滑性实现高效逃离鞍点的自界正则性

Daniel Yiming Cao, August Y. Chen, Karthik Sridharan, Benjamin Tang

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文研究了非凸函数（不一定光滑）的一阶优化方法，提出了一种新的框架，系统分析了在广义平滑性下一阶优化算法的收敛性，首次建立了在广义平滑性下一阶方法达到二阶 stationary 点的收敛保证。

Comments Camera ready version of NeurIPS 2025 paper. 97 pages

RECON: Reducing Causal Confusion with Human-Placed Markers

RECON: 通过人类放置的标记减少因果混淆

Robert Ramirez Sanchez, Heramb Nemlekar, Shahabedin Sagheb, Cara M. Nunez, Dylan P. Losey

机构 * Collaborative Robotics Lab ( Collab ), Dept. of Mechanical Engineering, Virginia Tech, Blacksburg, VA 24061（协作机器人实验室（Collab），机械工程系，弗吉尼亚理工学院，布莱克斯堡，VA 24061） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University, Ithaca, NY 14853（西伯利机械与航空航天工程学院，康奈尔大学，伊萨卡，NY 14853） 纠错

AI总结 该研究提出RECON框架，通过人类主动标记任务关键部分来减少机器人学习中的因果混淆，利用标记物数据训练任务相关状态嵌入，从而提高学习效率。

Comments 7 pages, 5 figures