Cornell University（康奈尔大学）

MV-Forcing: Long Multi-View Video Generation via 4D-Grounded Spatio-Temporal Self-Forcing

MV-Forcing：基于4D锚定时空自强制的长时长多视角视频生成

Gal Fiebelman, Hadar Averbuch-Elor, Sagie Benaim

机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Cornell University（康奈尔大学） 纠错

AI总结 针对动态场景长时多视角一致视频生成难题，提出MV-Forcing框架，融合时序与视角自回归，实现任意时长视角数的高一致性多视角视频生成。

Comments Accepted to ECCV 2026. Project webpage: https://galfiebelman.github.io/mv-forcing/

Fidelity-Diversity Metrics for Text

文本的保真度-多样性度量

Amanda Wang, Tudor Manole, Florentina Bunea, John Thickstun

机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Statistics and Data Science Center, Massachusetts Institute of Technology（麻省理工学院统计与数据科学中心） ； Department of Statistics, Cornell University（康奈尔大学统计学系） 纠错

AI总结 随着语言建模技术成熟，数据质量评估对训练模型很关键。基于生成模型精度和召回率的工作，开发一对度量，用最优传输散度函数量化文本的保真度和多样性，能区分候选文本缺陷。

Quantum Spectral Anomaly Detection

量子谱异常检测

Yewei Yuan, Michele Minervini, Mark M. Wilde, Nana Liu

机构 * Global College, Shanghai Jiao Tong University（上海交通大学全球学院） ； Shanghai Jiao Tong University（上海交通大学） ； School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院） ； Cornell University（康奈尔大学） ； Institute of Natural Sciences, Shanghai Jiao Tong University（上海交通大学自然科学研究院） ； School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院） 纠错

AI总结 研究量子异常检测中计算异常分数的问题，提出量子谱异常检测（QSPADE）方法，直接从正常数据集平均态谱计算PCA类异常分数，避免高昂计算成本，给出高效检测框架。

Canonical quantization of neurons

神经元的正则量子化

Alexander He, Nana Liu, Mark M. Wilde

机构 * Department of Physics, Cornell University（康奈尔大学物理系） ； Institute of Natural Sciences, School of Mathematical Sciences, Ministry of Education Key Laboratory in Scientific and Engineering Computing, and Global College, Shanghai Jiao Tong University（上海交通大学自然科学院、数学科学学院、教育部科学与工程计算重点实验室及全球学院） ； School of Electrical and Computer Engineering, Cornell University（康奈尔大学电气与计算机工程学院） 纠错

AI总结 将正则量子化原理应用于机器学习基本计算单元神经元，通过量子哈密顿量替换能量函数并经矩阵泛函演算应用激活函数，开发混合量子经典算法，证明其在学习任务中表现力增强。

Comments 6 pages, 3 figures, companion paper available at arXiv:2605.24386

LectūraAgents: A Multi-Agent Framework for Adaptive Personalized AI-Assisted Learning and Embodied Teaching

LectūraAgents：面向自适应个性化AI辅助学习与具身教学的多智能体框架

Jaward Sesay, Yue Yu, Siwei Dong, Börje F. Karlsson

机构 * Beijing Institute of Technology（北京理工大学） ； Peking University（北京大学） ； Cornell University（康奈尔大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

AI总结 提出LectūraAgents多智能体框架，通过层次化架构和自适应具身教学机制（如手势、高亮等）实现端到端个性化学习，并设计教学动作-语音对齐算法提升连贯性，在多个课程级别上优于现有方法。

Comments LecturaAgents TR

Learning-Based Automated Adversarial Red-Teaming for Robustness Evaluation of Large Language Models

基于学习的自动化对抗红队测试用于大型语言模型的鲁棒性评估

Zhang Wei, Hanxuan Chen, Peilu Hu, Zhenyuan Wei, Chenwei Liang, Jiayi Gu, Wenqian Weng, Jacqueline Pang, Hao Yan, Li Mei, Shengning Lang, Kuan Lu, Xi Xiao, Zhimo Han, Yijin Wang, Yichao Zhang, Chen Yang, Zhenyu Yu, Riyang Bao, Xinyuan Song, Junfeng Hao, Mu-Jiang-Shan Wang

机构 * Independent Researcher（独立研究者） ； Hunan University（湖南大学） ； Shenzhen Kaihong Digital Industry Development Co., Ltd.（深圳凯鸿数字产业开发有限公司） ； Central University of Finance and Economics（中央财经大学） ； Chongqing University（重庆大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Stevens Institute of Technology（斯蒂文斯理工学院） ； Cornell University（康奈尔大学） ； Oak Ridge National Laboratory（橡树岭国家实验室） ； Zhengzhou University of Light Industry（郑州轻工业大学） ； Xidian University（西安电子科技大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； AI Safety Research Lab, Institute of Advanced Computing（高级计算研究所人工智能安全研究实验室） ； University of Malaya（马来亚大学） ； Emory University（埃默里大学） ； Department of Nephrology, Affiliated Hospital of Guangdong Medical University（广东医学院附属医院肾内科） 纠错

AI总结 本文提出一种学习驱动的自动化红队测试框架，用于高效发现大型语言模型的漏洞，通过元提示引导的对抗性提示生成和分层执行检测流程，在六个威胁类别中实现标准化评估，实验发现47个漏洞，包括21个高严重性失败和12种新攻击模式。

Comments ACL ARR minor revision

A short tour of operator learning theory: Convergence rates, statistical limits, and open questions

算子学习理论简览：收敛速率、统计极限及开放问题

Simone Brugiapaglia, Nicola Rares Franco, Nicholas H. Nelsen

机构 * Concordia University（康科迪亚大学） ； Politecnico di Milano（米兰理工学院） ； Cornell University and The University of Texas at Austin（康奈尔大学和德克萨斯大学奥斯汀分校） 纠错

AI总结 综述算子学习、统计学习理论和逼近理论交叉领域进展，先回顾经验风险最小化的误差界，再从极小极大角度说明样本量的基本性能极限，最后讨论两者相互作用及相关开放问题。

Comments To appear in Numerical Mathematics and Advanced Applications (Proceedings of ENUMATH 2025); 13 pages, 1 figure

Graph Neural Networks are Heuristics

图神经网络是启发式算法

Yimeng Min, Carla P. Gomes

机构 * Department of Computer Science（计算机科学系） ； Cornell University（康奈尔大学） ； Ithaca, NY, USA（纽约州伊萨卡市） 纠错

AI总结 研究表明图神经网络在组合优化中辅助角色非固有，可自身作启发式算法。以欧几里得旅行商问题为例，训练无标签等的非自回归图神经网络，仅用可微哈密顿循环目标监督，模型能快速生成完整路线且多样，优于贪心基线。

Comments 12 pages, 3 tables with 2 figures, code repo included in the manuscript

Reinforcement Learning for Option Hedging: Static Implied-Volatility Fit versus Shortfall-Aware Performance

期权对冲的强化学习：静态隐含波动率拟合与短失意识表现

Ziheng Chen, Minxuan Hu, Jiayu Yi, Wenxi Sun

机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系） ； Cornell Ann S. Bowers College of Computing and Information Science, Cornell University（康奈尔大学安·S·鲍威尔计算机与信息科学学院） ； School of Social Sciences, Nanyang Technological University（南洋理工大学社会科学学院） ； Krieger School of Arts and Sciences, Johns Hopkins University（约翰霍普金斯大学克里格尔艺术与科学学院） 纠错

AI总结 本文提出RLOP方法，通过结合风险厌恶和交易成本改进QLBS框架，评估期权定价模型在静态和动态维度的表现，强调实际对冲效果的重要性。

Position: Use Sparse Autoencoders to Discover Unknowns

定位：使用稀疏自编码器发现未知因素

Kenny Peng, Rajiv Movva, Jon Kleinberg, Emma Pierson, Nikhil Garg

机构 * Cornell University（康奈尔大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 研究围绕稀疏自编码器（SAEs）的不同观点，指出其虽在作用于已知概念时效果欠佳，但在发现未知概念上很强大，还给出了在机器学习及社会健康科学等方面的应用案例。

Comments ICML 2026