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

Value Mirror Descent for Reinforcement Learning

价值镜像下降法用于强化学习

Zhichao Jia, Guanghui Lan

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程系） 纠错

AI总结 本文提出价值镜像下降法（VMD）用于强化学习，结合凸优化中的镜像下降方法，改进了传统价值迭代框架，实现线性收敛和近优样本复杂度。

Evaluating Learner Representations for Differentiation Prior to Instructional Outcomes

评估学习者表示以区分优先于教学结果

Junsoo Park, Youssef Medhat, Htet Phyo Wai, Ploy Thajchayapong, Ashok K. Goel

机构 * Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院，亚特兰大，佐治亚州，美国） 纠错

AI总结 本文通过比较学习者与交互层面的表示，探讨如何在无教学结果情况下评估学习者表示的区分能力，发现学习者层面的表示在分离度、聚类结构和判别可靠性上更优。

Comments Accepted to AIED 2026

Differentiable Invariant Sets for Hybrid Limit Cycles with Application to Legged Robots

混合极限环的可微不变集及其在腿部机器人中的应用

Varun Madabushi, Akash Harapanahalli, Samuel Coogan, Maegan Tucker

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

AI总结 本文提出了一种计算混合系统极限环不变集的方法，用于分析腿部机器人的鲁棒性，通过参数嵌入扩展连续系统可达集的上界计算方法，设计跟踪控制器以最大化不变集的大小。

Memory Dial: A Training Framework for Controllable Memorization in Language Models

Memory Dial: 一种用于语言模型可控记忆的训练框架

Xiangbo Zhang, Ali Emami

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） 纠错

AI总结 Memory Dial通过调节记忆压力参数α，控制语言模型的记忆行为，实验显示α能有效调节记忆压力，大模型更敏感，常见序列更易记忆。

Comments Accepted to ACL Findings 2026

This Treatment Works, Right? Evaluating LLM Sensitivity to Patient Question Framing in Medical QA

这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性

Hye Sun Yun, Geetika Kapoor, Michael Mackert, Ramez Kouzy, Wei Xu, Junyi Jessy Li, Byron C. Wallace

机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。

Comments 31 pages, 4 tables, 19 figures

Transfer Learning for Meta-analysis Under Covariate Shift

迁移学习用于受协变量偏移影响的元分析

Zilong Wang, Ali Abdeen, Turgay Ayer

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

AI总结 本文提出一种基于安慰剂锚定的迁移框架，通过将源试验结果作为代理信号和目标试验安慰剂结果作为高保真标签，校准基线风险。该方法在小样本情况下表现优异，尤其在连接目标设置中优于现有方法。

Comments Accepted to IEEE ICHI 2026 Early Bird Track (Oral Presentation)

Training LLMs for Multi-Step Tool Orchestration with Constrained Data Synthesis and Graduated Rewards

通过受限数据合成和渐进奖励训练LLM进行多步骤工具协调

Cheng Jiayang, Xin Liu, Zhihan Zhang, Haoyang Wen, Zixuan Zhang, Qingyu Yin, Shiyang Li, Priyanka Nigam, Bing Yin, Chao Zhang, Yangqiu Song

机构 * Amazon Services Inc.（亚马逊服务公司） ； Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程系） ； School of Computational Science and Engineering, Georgia Institute of Technology（佐治亚理工学院计算科学与工程学院） 纠错

AI总结 本文提出强化学习框架解决LLM多步骤工具协调难题，通过构建确定性环境和渐进奖励机制提升执行准确率，并在不同API生态中实现技能迁移。

Comments Under Review

MoCHA: Denoising Caption Supervision for Motion-Text Retrieval

MoCHA：用于运动-文本检索的去噪标签监督

Nikolai Warner, Cameron Ethan Taylor, Irfan Essa, Apaar Sadhwani

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon（亚马逊） 纠错

AI总结 MoCHA通过将文本转换为运动可恢复内容的先验分布，减少运动-文本嵌入方差，提升跨数据集迁移性能。

From Human-Level AI Tales to AI Leveling Human Scales

从人类水平AI故事到AI人类尺度

Peter Romero, Fernando Martínez-Plumed, Zachary R. Tidler, Matthieu Téhénan, Sipeng Chen, Álvaro David Gómez Antón, Luning Sun, Manuel Cebrian, Lexin Zhou, Yael Moros Daval, Daniel Romero-Alvarado, Félix Martí Pérez, Kevin Wei, José Hernández-Orallo

机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València（瓦伦西亚人工智能研究所，瓦伦西亚理工大学） ； Leverhulme Centre for the Future of Intelligence, University of Cambridge（勒弗休姆未来智能中心，剑桥大学） ； The Psychometrics Centre, University of Cambridge（心理测量中心，剑桥大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Center for Automation and Robotics, Spanish National Research Council（自动化与机器人中心，西班牙国家研究委员会） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge, Department of Computer Sciences and Technology（剑桥大学计算机科学与技术系） 纠错

AI总结 本文提出一种框架，通过校准项目以'世界人口'为基准，建立人类锚定的共同尺度，以更准确评估AI能力。

Comments 23 pages, 10 figures. submitted to ICML 2026

FinCriticalED: A Visual Benchmark for Financial Fact-Level OCR

FinCriticalED：一个用于金融事实级OCR的视觉基准

Yueru He, Xueqing Peng, Yupeng Cao, Yan Wang, Lingfei Qian, Haohang Li, Yi Han, Shuyao Wang, Ruoyu Xiang, Fan Zhang, Zhuohan Xie, Mingquan Lin, Prayag Tiwari, Jimin Huang, Guojun Xiong, Sophia Ananiadou

机构 * Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； New York University（纽约大学） ； University of Minnesota（明尼苏达大学） ； Halmstad University（哈尔姆斯塔德大学） ； Harvard University（哈佛大学） ； University of Manchester（曼彻斯特大学） 纠错

AI总结 本文提出FinCriticalED基准，用于评估OCR和视觉语言模型在金融关键证据上的保真度，发现数值和货币单位是最脆弱的事实类型，揭示了词汇准确性和事实可靠性之间的差距。

Comments Xueqing Peng: Corresponding-Author