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

Hierarchical Industrial Demand Forecasting with Temporal and Uncertainty Explanations

具有时间和不确定性解释的分层工业需求预测

Harshavardhan Kamarthi, Shangqing Xu, Xinjie Tong, Xingyu Zhou, James Peters, Joseph Czyzyk, B. Aditya Prakash

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

AI总结 本文提出了一种用于分层工业需求预测的可解释性方法，通过分析时间序列和不确定性来提高预测的可解释性，帮助用户更好地理解预测结果并做出决策。

COLD-Steer: Steering Large Language Models via In-Context One-step Learning Dynamics

COLD-Steer: 通过上下文一步学习动态引导大型语言模型

Kartik Sharma, Rakshit S. Trivedi

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 COLD-Steer通过近似学习动态实现无需训练的LLM引导，有效提升引导效果并减少样本需求。

Comments ICLR 2026. Code available at https://github.com/Ksartik/cold-steer

Sysformer: Safeguarding Frozen Large Language Models with Adaptive System Prompts

Sysformer: 通过自适应系统提示保护冻结的大语言模型

Kartik Sharma, Yiqiao Jin, Vineeth Rakesh, Yingtong Dou, Menghai Pan, Mahashweta Das, Srijan Kumar

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Visa Research（Visa研究） 纠错

AI总结 Sysformer通过自适应系统提示提高大语言模型的安全性，显著提升对有害提示的拒绝率和对安全提示的合规性。

Comments ICLR 2026. Code available at https://github.com/Ksartik/sysformer

MOSIV: Multi-Object System Identification from Videos

MOSIV：从视频中多物体系统识别

Chunjiang Liu, Xiaoyuan Wang, Qingran Lin, Albert Xiao, Haoyu Chen, Shizheng Wen, Hao Zhang, Lu Qi, Ming-Hsuan Yang, Laszlo A. Jeni, Min Xu, Yizhou Zhao

机构 * CMU（卡内基梅隆大学） ； Georgia Tech（佐治亚理工学院） ； Harvard（哈佛大学） ； ETH Zurich（苏黎世联邦理工学院） ； UIUC（伊利诺伊大学香槟分校） ； Insta360 ； UC Merced（加州大学默塞德分校） 纠错

AI总结 MOSIV通过从视频中导出的几何目标直接优化连续材料参数，提升多物体系统识别的接地准确性和模拟保真度。

Comments ICLR 2026

Reinforcement Learning for Power-Flow Network Analysis

强化学习用于功率流网络分析

Alperen Ergur, Julia Lindberg, Vinny Miller

机构 * The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； Georgia Tech（佐治亚理工学院） 纠错

AI总结 本文利用强化学习解决功率流网络中寻找多解实例的问题，通过设计概率奖励函数和状态空间，展示RL在复杂非线性代数问题中的应用潜力。

Comments more experiments will be added in a relatively soon date

Language Conditioning Improves Accuracy of Aircraft Goal Prediction in Non-Towered Airspace

语言引导提升非塔台空域飞机目标预测的准确性

Sundhar Vinodh Sangeetha, Chih-Yuan Chiu, Sarah H. Q. Li, Shreyas Kousik

机构 * Georgia Institute of Technology（佐治亚理工学院） ； School of Aerospace Engineering（航空航天工程学院） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； School of Mechanical Engineering（机械工程学院） 纠错

AI总结 本文提出利用语言信息提升非塔台空域飞机目标预测准确性的多模态框架，通过整合自然语言理解和空间推理，有效提高自主决策能力。

Comments The last two authors advised equally. Accepted to the 2026 IEEE International Conference on Robotics and Automation. 8 pages, 6 figures

The Generative AI Paradox on Evaluation: What It Can Solve, It May Not Evaluate

生成AI悖论：它能解决什么，它可能无法评估

Juhyun Oh, Eunsu Kim, Inha Cha, Alice Oh

机构 * School of Computing, KAIST Daejeon, Republic of Korea（韩国釜山国立大学计算机学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文研究了生成AI在评估任务中的局限性，发现LLMs在生成任务中表现优异，但在评估任务中却存在不忠实的问题，揭示了生成能力与评估能力之间的悖论。