Georgia Institute of Technology（佐治亚理工学院）

Reservoir Subspace Injection for Online ICA under Top-n Whitening

残差子空间注入用于非线性混洗下的在线ICA

Wenjun Xiao, Yuda Bi, Vince D Calhoun

机构 * Department of Computer Science, The George Washington University（计算机科学系，乔治华盛顿大学） ； Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)（神经影像与数据科学转化研究三机构中心） ； Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； School of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程学院，佐治亚理工学院） 纠错

AI总结 残差子空间注入用于非线性混洗下的在线ICA，通过改进白化方法提升性能并实现更高的SI-SDR。

SportR: A Benchmark for Multimodal Large Language Model Reasoning in Sports

SportR：多模态大语言模型在体育中的推理基准

Haotian Xia, Haonan Ge, Junbo Zou, Hyun Woo Choi, Xuebin Zhang, Danny Suradja, Botao Rui, Ethan Tran, Wendy Jin, Zhen Ye, Xiyang Lin, Christopher Lai, Shengjie Zhang, Junwen Miao, Shichao Chen, Rhys Tracy, Vicente Ordonez, Weining Shen, Hanjie Chen

机构 * Department of Computer Science, Rice University（Rice大学计算机科学系） ； Ken Kennedy Institute, Rice University（Rice大学肯尼迪研究所） ； Department of Statistics, University of California, Irvine（伊利诺伊大学欧文分校统计系） ； College of Sciences, Georgia Institute of Technology（佐治亚理工学院科学学院） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计学系） ； Department of Computer Science, University of California, Santa Barbara（加州大学圣芭芭拉分校计算机科学系） 纠错

AI总结 SportR是一个多体育大规模基准，旨在训练和评估多模态大语言模型在体育推理中的能力，通过精细的视觉感知和规则推理任务提升模型性能。

Benchmarking LLM Summaries of Multimodal Clinical Time Series for Remote Monitoring

对多模态临床时间序列远程监测的LLM摘要进行基准测试

Aditya Shukla, Yining Yuan, Ben Tamo, Yifei Wang, Micky Nnamdi, Shaun Tan, Jieru Li, Benoit Marteau, Brad Willingham, May Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Shepherd Center（Shepherd中心） 纠错

AI总结 本文提出基于事件的评估框架，评估多模态临床时间序列摘要的可靠性，发现视觉方法在事件对齐上表现最佳。

PaReGTA: An LLM-based EHR Data Encoding Approach to Capture Temporal Information

PaReGTA：基于LLM的EHR数据编码方法以捕捉时间信息

Kihyuk Yoon, Lingchao Mao, Catherine Chong, Todd J. Schwedt, Chia-Chun Chiang, Jing Li

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Meta ； Mayo Clinic（梅奥诊所） 纠错

AI总结 PaReGTA是一种基于LLM的EHR数据编码方法，通过模板文本生成、轻量级对比微调和混合时间池化，有效捕捉时间信息，提升偏头痛分类性能。

Comments 26 pages, 5 figures, 7 tables

Capabilities Ain't All You Need: Measuring Propensities in AI

能力并非全部所需：测量AI倾向性

Daniel Romero-Alvarado, Fernando Martínez-Plumed, Lorenzo Pacchiardi, Hugo Save, Siddhesh Milind Pawar, Behzad Mehrbakhsh, Pablo Antonio Moreno Casares, Ben Slater, Paolo Bova, Peter Romero, Zachary R. Tidler, Jonathan Prunty, Luning Sun, Jose Hernandez-Orallo

机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València, Valencia, Spain ； University of Copenhagen, Denmark work done while at University of Cambridge ； Existential Risk Observatory, Amsterdam, Netherlands ； Leverhulme Centre for the Future of Intelligence, University of Cambridge ； The Psychometrics Centre, University of Cambridge ； Department of Computing \& Games, University of Teesside ； Georgia Institute of Technology ； University of Cambridge 纠错

AI总结 本文提出首个测量AI倾向性的正式框架，通过双逻辑模型评估模型倾向性对任务性能的影响，并展示结合倾向性和能力可提升预测效果。

DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series

DoFlow：基于流的生成模型用于时间序列的干预和反事实预测

Dongze Wu, Feng Qiu, Yao Xie

机构 * H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Northwestern–Argonne Institute for Scientific and Engineering Excellence（西北-阿贡科学与工程卓越研究所） 纠错

AI总结 DoFlow通过基于因果图的流模型实现时间序列的干预和反事实预测，并提供异常检测能力。

Comments Accepted to the 14th International Conference on Learning Representations (ICLR 2026)

How Do LLMs Use Their Depth?

大语言模型如何利用其深度？

Akshat Gupta, Jay Yeung, Gopala Anumanchipalli, Anna Ivanova

机构 * University of California Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文研究了大语言模型如何利用深度进行预测，提出'猜测-然后细化'框架，揭示了层间计算动态及深度使用机制。

Reference Grounded Skill Discovery

基于参考的技能发现

Seungeun Rho, Aaron Trinh, Danfei Xu, Sehoon Ha

机构 * School of Interactive Computing（交互计算学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 RGSD通过语义有意义的潜在空间实现技能发现，有效模仿和发现多样行为，在运动任务中优于模仿学习基线。

LD-EnSF: Synergizing Latent Dynamics with Ensemble Score Filters for Fast Data Assimilation with Sparse Observations

LD-EnSF：融合潜在动力学与集成评分滤波器用于稀疏观测的快速数据同化

Pengpeng Xiao, Phillip Si, Peng Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Yale University（耶鲁大学） 纠错

AI总结 LD-EnSF通过在潜在空间中直接演进动力学，结合改进的LDNets和历史感知LSTM编码器，实现高维稀疏观测下的高效数据同化。

A Recovery Guarantee for Sparse Neural Networks

稀疏神经网络的恢复保证

Sara Fridovich-Keil, Mert Pilanci

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Department of Electrical Engineering（电气工程系） ； Stanford University（斯坦福大学） 纠错

AI总结 该研究为稀疏神经网络提供了恢复保证，通过迭代硬阈值算法以线性内存复杂度精确恢复稀疏权重，并在多个任务中表现出优于传统方法的性能。

Comments ICLR 2026

SIGMAS: Second-Order Interaction-based Grouping for Overlapping Multi-Agent Swarms

SIGMAS：基于二次交互的多智能体群集分组

Minah Lee, Saibal Mukhopadhyay

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 SIGMAS通过二次交互建模实现多智能体群集的自监督分组，准确恢复潜在群体结构并平衡个体与集体动态。

Comments Accepted at AAMAS 2026