Cornell University（康奈尔大学）

Offline Reinforcement Learning for Fluid Controls: Data-based Multi-observational Policy Extraction

流体控制的离线强化学习：基于数据的多观测策略提取

Deepak Akhare, Luning Sun, Xin-Yang Liu, Xiantao Fan, Timo Bremer, Ben Zhu, Jian-Xun Wang

机构 * University of Notre Dame（圣母大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； Cornell University（康奈尔大学） 纠错

AI总结 提出一种离线强化学习框架，通过传感器位置条件架构和点注意力层实现多传感器布局下的策略提取，在K-S方程和Navier-Stokes方程控制问题中验证了灵活性和有效性。

Mind the Residual Gap: Probabilistic Downscaling under Real-World Bias

注意残差差距：现实偏差下的概率降尺度

Yujin Kim, Nidhi Soma, Sarah Dean

机构 * Cornell University（康奈尔大学） 纠错

AI总结 针对现实应用中均值-残差降尺度方法产生的偏差和欠分散问题，提出ReMatch方法，通过PCA空间中的最优传输对齐训练与测试残差分布，减少欠分散并改善校准。

Wasserstein Distributionally Robust Risk-Sensitive Estimation via Conditional Value-at-Risk

基于条件风险值的Wasserstein分布鲁棒风险敏感估计

Feras Al Taha, Eilyan Bitar

机构 * Cornell University（康奈尔大学） 纠错

AI总结 本文提出了一种分布鲁棒的风险敏感估计方法，通过求解可解的半正定规划计算最小化最坏情况下的条件风险值，应用于批发电力价格预测，降低样本外风险值。

Comments 6 pages, 2 figures

RCTs for Frontier AI Governance: Methodological Challenges and Solutions for Human Uplift Studies

随机对照试验与人类提升研究：前沿AI评估的方法论挑战与实践解决方案

Patricia Paskov, Kevin Wei, Shen Zhou Hong, Dan Bateyko, Xavier Roberts-Gaal, Carson Ezell, Gailius Praninskas, Valerie Chen, Umang Bhatt, Ella Guest

机构 * RAND ； Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； London School of Economics（伦敦经济学院） 纠错

AI总结 本文通过访谈16位专家，系统梳理了人类提升研究（测量AI对人类绩效影响）在随机对照试验中面临的方法论挑战，包括内部效度、外部效度和构念效度问题，并提出了相应的解决方案。

EgoCogNav: Cognition-aware Human Egocentric Navigation

EgoCogNav: 认知感知的人类自我中心导航

Zhiwen Qiu, Ziang Liu, Wenqian Niu, Tapomayukh Bhattacharjee, Saleh Kalantari

机构 * Cornell University（康奈尔大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出EgoCogNav多模态自我中心导航框架，联合预测路径不确定性、轨迹和头部运动，并引入CEN数据集，实验表明其能学习与人类扫描、犹豫等行为相关的感知不确定性。

Comments 15 pages, 4 figures