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

KinDER: A Physical Reasoning Benchmark for Robot Learning and Planning

KinDER：机器人学习与规划的运动学与动力学推理基准

Yixuan Huang, Bowen Li, Vaibhav Saxena, Yichao Liang, Utkarsh Aashu Mishra, Liang Ji, Lihan Zha, Jimmy Wu, Nishanth Kumar, Sebastian Scherer, Danfei Xu, Tom Silver

机构 * Princeton University（普林斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Tech（佐治亚理工学院） ； University of Cambridge（剑桥大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） 纠错

AI总结 KinDER基准针对机器人学习与规划中的物理推理挑战，包含25个生成环境、Python库和评估套件，旨在通过系统比较不同方法提升机器人物理推理能力。

Comments Project website: https://prpl-group.com/kinder-site/. 21 pages, 8 figures. Accepted to Robotics Science and Systems (RSS), 2026

Assistants, Not Architects: The Role of LLMs in Networked Systems Design

助手，而非架构师：大语言模型在联网系统设计中的作用

Pratyush Sahu, Rahul Bothra, Venkat Arun, Brighten Godfrey, Akshay Narayan, Ahmed Saeed

机构 * Georgia Tech（佐治亚理工学院） ； UIUC（伊利诺伊大学香槟分校） ； UT Austin（得克萨斯大学奥斯汀分校） ； Brown University（布朗大学） 纠错

AI总结 本文探讨了大语言模型在联网系统架构设计中的局限性，并提出Kepler框架，结合专家驱动的规范与SMT优化，实现可行的设计方案并支持可解释的设计探索。

SaliencyDecor: Enhancing Neural Network Interpretability through Feature Decorrelation

SaliencyDecor：通过特征去相关增强神经网络可解释性

Ali Karkehabadi, Jamshid Hassanpour, Houman Homayoun, Avesta Sasan

机构 * University of California, Davis（加州大学戴维斯分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出SaliencyDecor方法，通过强制特征去相关提升模型可解释性，无需修改模型结构，在多个基准上验证了其在提升解释精度和预测性能方面的有效性。

Comments Accepted for publication at the International Joint Conference on Neural Networks (IJCNN 2026)

Value-Sensitive AI for Prayer: Balancing the Agencies Between Human and AI Agents in Spiritual Context

为祈祷赋能的值敏感AI：在灵性情境中人类与AI代理之间的平衡

Soonho Kwon, Dong Whi Yoo, Shaowen Bardzell, Younah Kang

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

AI总结 本文提出四个值敏感AI系统，探讨AI对祈祷体验的影响。研究发现，真实性是关键价值，AI过度代理会削弱这种感觉。建议通过保持解释开放性来维护用户自主性。

Comments Designing Interactive Systems Conference (DIS '26), June 13--17, 2026, Singapore, Singapore

CoreFlow: Low-Rank Matrix Generative Models

CoreFlow：低秩矩阵生成模型

Dongze Wu, Linglingzhi Zhu, Yao Xie

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

AI总结 CoreFlow通过学习矩阵分布的共享行/列子空间，采用连续归一化流在低维核心上训练，提升高维小样本下的矩阵生成质量与效率。

Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity

流形数据的扩散模型：分数分解、曲率与统计复杂性

Zixuan Zhang, Kaixuan Huang, Tuo Zhao, Mengdi Wang, Minshuo Chen

机构 * Georgia Tech（佐治亚理工学院） ； Princeton University（普林斯顿大学） ； Northwestern University（西北大学） 纠错

AI总结 本文研究扩散模型如何学习流形数据，通过分析分数函数的分解和曲率影响，提出高效的神经网络近似方法，并推导出基于数据内在维度和曲率的统计学习率。

Responsible Evaluation of AI for Mental Health

人工智能心理健康应用的责任评估

Hiba Arnaout, Anmol Goel, H. Andrew Schwartz, Steffen T. Eberhardt, Dana Atzil-Slonim, Gavin Doherty, Brian Schwartz, Wolfgang Lutz, Tim Althoff, Munmun De Choudhury, Hamidreza Jamalabadi, Raj Sanjay Shah, Flor Miriam Plaza-del-Arco, Dirk Hovy, Maria Liakata, Iryna Gurevych

机构 * Technische Universität Darmstadt（德累斯顿技术大学） ； Vanderbilt University（范德比尔特大学） ； Trier University（特里尔大学） ； Bar-Ilan University（巴伊兰大学） ； Trinity College Dublin（都柏林三一学院） ； University of Washington（华盛顿大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Phillips-Universität Marburg（马尔堡菲利普大学） ； LIACS, Leiden University（莱顿大学LIACS研究中心） ； Bocconi University（博科尼大学） ； Queen Mary University London（伦敦玛丽女王大学） ； Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 本文提出跨学科框架，整合临床有效性、社会背景和公平性，解决现有AI心理健康工具评估碎片化问题，并通过案例研究展示AI心理健康支持类型的分类方法。

Journal ref ACL 2026