Cornell University（康奈尔大学）

Playing ZendoWorld: Challenging AI Agents on Active Visual Concept Induction

玩禅道世界：在主动视觉概念归纳中挑战人工智能代理

Sophia Koehler, Antonia Wüst, Inga Ibs, Wasu Top Piriyakulkij, Wolfgang Stammer, Constantin Rothkopf, Kevin Ellis, Kristian Kersting

机构 * AIML Lab, TU Darmstadt（人工智能机器学习实验室，达姆施塔特工业大学） ； Hessian Center for AI (hessian.AI)（黑森州人工智能中心） ； Psychology of Information Processing, TU Darmstadt（信息处理心理学，达姆施塔特工业大学） ； Centre for Cognitive Science, TU Darmstadt（认知科学中心，达姆施塔特工业大学） ； Cornell University（康奈尔大学） ； Max Planck Institute for Informatics, SIC（马克斯·普朗克信息学研究所，SIC组） ； German Center for AI (DFKI)（德国人工智能研究中心） 纠错

AI总结 研究构建智能系统时代理感知、假设形成及实验设计问题，提出禅道世界环境，评估多种代理方法，发现预测标签精度与恢复潜在规则无关，感知和归纳是不同瓶颈，基于视觉语言模型的代理实验无信息，还收集人类数据揭示差距及改进途径。

Deep Learning Method for Stationary Distribution of Reflected Brownian Motion

反射布朗运动平稳分布的深度学习方法

Jim Dai, Zhanhao Zhang

机构 * Cornell University（康奈尔大学） 纠错

AI总结 研究反射布朗运动平稳分布，基于基本伴随关系开发深度学习方法学习其拉普拉斯变换，精心设计框架各部分，在已知尾概率的实例上评估，结果近乎完美，有望成为分析随机系统的通用工具。

Play2Perfect: What Matters in Dexterous Play Pretraining for Precise Assembly?

Play2Perfect：灵巧操作预训练对精密装配的关键因素

Tyler Ga Wei Lum, Kushal Kedia, C. Karen Liu, Jeannette Bohg

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

AI总结 提出Play2Perfect框架，通过任务无关的玩耍预训练获取可复用的操作先验，再微调用于精密装配，在稀疏奖励和接触密集任务中实现33倍样本效率提升。

Comments 22 pages, 12 figures, 4 tables. Project page: https://play2perfect.github.io

Deep Neural Networks as Discrete Dynamical Systems: Implications for Physics-Informed Learning

深度神经网络作为离散动力系统：对物理信息学习的启示

Abhisek Ganguly, Santosh Ansumali, Sauro Succi

机构 * Engineering Mechanics Unit, Jawaharlal Nehru Centre for Advanced Scientific Research（纳拉扬·德赛高级科学研究中心工程力学单元） ； Italian Institute of Technology（意大利理工学院） ； University of Roma Tre（罗马三大学） ； Physics Department, Harvard University（哈佛大学物理系） ； Cornell University（康奈尔大学） 纠错

AI总结 本文探讨了深度神经网络与离散动力系统之间的类比，通过比较Burgers方程和Eikonal方程的数值/精确解与PINNs获得的解，展示了PINN学习在近似相同系统动力学时提供了一种不同的计算路径，同时指出PINNs的密集参数表示在高维情况下可能具有优势。

Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling

用于脑 MRI 进展建模的解剖学引导潜在扩散

Cheng Wan, Bahram Jafrasteh, Ehsan Adeli, Miaomiao Zhang, Qingyu Zhao

机构 * Cornell University（康奈尔大学） ； Weill Cornell Medicine（韦尔医学院） ； Stanford University（斯坦福大学） ； University of Virginia（弗吉尼亚大学） 纠错

AI总结 研究旨在准确建模脑 MRI 进展，提出解剖学引导潜在扩散模型 AG-LDM，通过融合多因素简化训练流程，经实验验证其在图像质量、误差降低及特征捕捉等方面表现优异，是可靠的脑 MRI 进展建模框架。

Comments 24 pages, 7 figures, 7 tables. Code available at https://github.com/JornyWan/AG-LDM

Bayesian Deep Learning for Discrete Choice

用于离散选择的贝叶斯深度学习

Daniel F. Villarraga, Ricardo A. Daziano

机构 * School of Civil and Environmental Engineering, Cornell University（土木与环境工程学院，康奈尔大学） ； Industrial Engineering Department, Universidad de Los Andes（工业工程系，洛斯安德斯大学） 纠错

AI总结 研究针对离散选择模型，提出将深度学习模型与近似贝叶斯推理方法集成的架构，数据有限时可减轻过拟合等问题，通过模拟研究和实证案例展示该方法，评估相关指标，提升离散选择模型性能。