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
机构 * Cornell University（康奈尔大学）
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。
高校专区
Cornell University（康奈尔大学）
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
机构 * Stanford University（斯坦福大学） ； Cornell University（康奈尔大学）
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
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）
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
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）
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
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）
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。
Co-LMLM: Continuous-Query Limited Memory Language Models
Co-LMLM：连续查询有限记忆语言模型
机构 * Department of Computer Science Cornell University（计算机科学系 哥伦比亚大学）
AI总结 研究提出连续查询有限记忆语言模型CO-LMLM，通过将知识库的键与文本知识值配对，以低成本生成灵活向量查询，整合检索知识。经多数据集预训练和多模型规模测试，在困惑度和事实精度上优于同类模型。
Comments preprint
Breaking Database Lock-in: Agentic Regeneration of High Performance Storage Readers for Database Bypass
打破数据库锁定：用于数据库绕过的高性能存储读取器的智能再生
机构 * Cornell University（康奈尔大学）
AI总结 研究分析工作负载面临的数据访问瓶颈问题，提出Jailbreak方法，利用大语言模型辅助代码合成绕过数据库引擎直接读取存储文件，在PostgreSQL和MySQL上评估，性能显著提升，证明该方法可打破数据库系统数据锁定。
Comments To be presented at AIDB 2026 (co-located with VLDB)
Best-Arm Identification with Generative Proxy
基于生成代理的最佳臂识别
机构 * School of Operations Research and Information Engineering, Cornell University（康奈尔大学运营研究与信息工程学院） ； Department of Industrial Systems Engineering and Management, National University of Singapore（新加坡国立大学工业系统工程与管理系） ； SC Johnson College of Business, Cornell University（康奈尔大学SC约翰逊商学院） ； Michael G. Foster School of Business, University of Washington（华盛顿大学迈克尔·G·福斯特商学院）
AI总结 研究固定置信度最佳臂识别，将其与廉价代理分数配对，提出PROBE算法，通过控制变量调整转化为异方差问题，证明算法是δ - PAC的，能达到已知相关性神谕样本复杂度，实验证实样本节省与相关性强度成比例。
Are LLMs Overkill for Databases?: A Study on the Finiteness of SQL
LLMs在数据库中是否过时：对SQL有限性的研究
机构 * Cornell University（康奈尔大学）
AI总结 本文通过376个数据库样本研究SQL查询的有限性，发现查询复杂度受现实需求限制，且模板分布呈现幂律特征，表明SQL查询可被模板高效覆盖。
Comments 9 pages
StepShield: When, Not Whether to Intervene on Rogue Agents
StepShield：何时干预流氓代理，而非是否干预
机构 * University of Virginia（弗吉尼亚大学） ； Indian Institute of Science, Bangalore（印度科学研究院，班加罗尔） ； Cornell University（康奈尔大学） ； University of the Cumberlands（库姆伯兰兹大学） ； University of Arizona（亚利桑那大学） ； California State University, Northridge（加州州立大学，北岭分校）
AI总结 研究代理安全检测时机问题，引入StepShield基准及早期干预率（EIR），揭示取证陷阱，指出基于规则的护栏虽召回率高但时机不佳，现有方法无法兼顾高召回、低误报和及时干预，凸显逐步骤流氓检测待解决。
Comments 20 pages, 4 figures, 10 ablation studies. Code and data: https://github.com/glo26/stepshield
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
机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Cornell University（康奈尔大学）
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
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）
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
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）
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
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）
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
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）
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
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）
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
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）
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
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）
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
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）
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
机构 * Cornell University（康奈尔大学） ； UC Berkeley（伯克利大学）
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
Program-as-Weights: A Programming Paradigm for Fuzzy Functions
程序即权重：一种模糊函数的编程范式
机构 * University of Waterloo（滑铁卢大学） ； Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 提出模糊函数编程范式，通过Program-as-Weights方法将自然语言规范编译为轻量可执行神经工件，在保持性能的同时大幅降低推理成本。
Mechanistic Interpretability and Causal Feature Steering of Neural Quantum States via Sparse Autoencoders
神经量子态的机械可解释性与因果特征引导：基于稀疏自编码器
机构 * Department of Physics, Cornell University（康奈尔大学物理系） ； Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心）
AI总结 利用稀疏自编码器从神经量子态内部激活中无监督提取物理可观测量相关特征，并通过后训练干预单一特征因果地平滑引导对应可观测量，揭示其可解释内部表示。
Comments 15 pages, 7 figures. Comments welcome!
A Multi-Resolution Finite-Volume Inspired Deep Learning Framework for Spatiotemporal Dynamics Prediction
一种多分辨率有限体积启发的深度学习框架用于时空动力学预测
机构 * University of Notre Dame（圣母大学） ； Cornell University（康奈尔大学）
AI总结 提出MuRFiV网络，结合有限体积的全局守恒性和深度学习的局部表达能力，用于偏微分方程控制的时空系统预测，在长期预测中优于纯数据驱动方法。
Comments 19 pages, 11 figures
The State-Prediction Separation Hypothesis
状态-预测分离假说
机构 * Cornell University（康奈尔大学） ； Harvard University（哈佛大学）
AI总结 提出状态-预测分离假说，通过双流Transformer解耦状态存储与下一词预测，在预训练中提升数据与计算效率，下游任务平均提升2-3个百分点。
Comments Preprint
Variable Bound Tightening for Nash Equilibrium Computation in Multiplayer Imperfect-Information Games
多人非完美信息博弈中纳什均衡计算的变量边界收紧
机构 * Ganzfried Research, Cornell University（甘茨菲德研究，康奈尔大学）
AI总结 提出一种通过推导非线性互补问题中松弛变量和乘子变量的有限边界来收紧凸松弛的方法，显著加速多人非完美信息博弈的精确纳什均衡计算。
Comments arXiv admin note: substantial text overlap with arXiv:2509.25618
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
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）
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
机构 * Cornell University（康奈尔大学）
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
机构 * Cornell University（康奈尔大学）
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
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）
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
机构 * Cornell University（康奈尔大学） ； Georgia Institute of Technology（佐治亚理工学院）
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
