高校专区
多对多多智能体取货与送货
机构 * Institute of Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机械研究所，佐治亚理工学院） ； Symbotic Inc.（Symbotic公司） ； Northeastern University（东北大学）
AI总结 本文提出M2M算法解决多对多多智能体取货与送货问题，通过任务持续时间优化和SKU分布优化，提升仓库效率。
随机转移图蒸馏用于快速概率推断
机构 * Department of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院航空航天工程系） ； Department of Computer Science, Georgia Institute of Technology（佐治亚理工学院计算机科学系） ； Department of Mathematics, Florida State University（佛罗里达州立大学数学系）
AI总结 本文提出STMD框架，通过蒸馏完整的转移图加速扩散模型推断并保持概率采样生成，无需预训练教师模型或轨迹模拟，理论上有收敛界支持。
LineRides: 基于线引导的强化学习用于自行车机器人特技
机构 * RAI Institute（RAI研究院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出LineRides框架，通过空间引导线和稀疏关键姿态实现自行车机器人自主学习多样特技行为，无需示范或显式时间信息。
Comments Published in IEEE Robotics and Automation Letters (RA-L), 2026
通过模拟搜索LLM代理中的隐私风险
机构 * Georgia Tech（佐治亚理工学院） ； Stanford University（斯坦福大学）
AI总结 本文提出通过模拟搜索改进攻击与防御策略，发现攻击策略从直接请求演变为伪装和伪造同意等复杂手段，防御策略从规则约束升级为身份验证状态机，为隐私安全代理发展提供洞察。
Comments ICLR 2026
PISTO：随机轨迹优化的近端推断
机构 * 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） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 PISTO通过引入KL正则化稳定更新，实现非光滑成本的高效优化，在机器人运动规划中取得更高成功率和更优路径质量。
Comments 8 pages
位置诅咒：LLM在列表中定位最后几个项目时表现不佳
机构 * UC San Diego（加州大学圣地亚哥分校） ； Georgia Tech（佐治亚理工学院） ； New York University（纽约大学）
AI总结 LLM在定位长列表中单个相关项目时表现优异，但在短列表中最后几个项目定位上存在缺陷，即位置诅咒。通过构建PosBench数据集进行微调后，虽然提升了定位能力，但仍未达到理想水平。
通过概念发现实现扩散模型中的测试时间组合泛化
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出通过发现时间索引分数几何结构，实现扩散模型在测试时的组合生成，优于传统基线方法。
Comments 9 pages
Muon与Nesterov动量：重尾噪声与（随机化）近似极分解
机构 * MBZUAI ； Penn State University（宾夕法尼亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Southern California（南加州大学）
AI总结 本文提出Muon算法结合Nesterov动量和近似极分解，针对非凸矩阵优化中的重尾噪声问题，建立了收敛理论并提供了高效随机低秩极分解方法。
Comments 33 pages, 4 figures, 1 table
核选择是模型选择：一种统一的复杂性惩罚方法用于MMD两样本检验
机构 * H. Milton Stewart School of Industrial and Systems Engineering（H.米尔顿·斯图尔特工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出CP-MMD方法，通过将核选择建模为模型选择问题，统一处理MMD两样本检验中的复杂性惩罚，实现无网格的连续参数类最大化，提升检验效能并保证无条件I型错误率。
关于应变和涡量在流匹配数值积分误差中的作用
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文分析了流匹配中应变和涡量对积分误差的影响，证明应变通过对数范数控制指数误差放大，而涡量仅线性影响局部截断误差，提出加权雅可比正则化方法，实验验证了理论预测，提升了积分精度。
Comments 16 pages, 7 figures. Preliminary version. Includes qualitative CIFAR-10 comparison and supporting synthetic experiments
VLMs在物理世界中离隐私意识还有多远？一项实证研究
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过实证研究揭示VLMs在物理环境中隐私意识的不足，提出ImmersedPrivacy框架评估模型在复杂场景中的隐私感知能力，发现现有模型在感知和隐私冲突处理上存在显著缺陷。
评估大型语言模型在科学发现中的表现
机构 * Deep Principle（深原则） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学） ； Department of Computer Science and Engineering, The Ohio State University（计算机科学与工程系，俄亥俄州立大学） ； Department of Chemical Engineering & Applied Chemistry, University of Toronto（化学工程与应用化学系，多伦多大学） ； Department of Computer Science and Engineering, University of Notre Dame（计算机科学与工程系，圣母大学） ； QuEra Computing Inc.（QuEra计算公司） ； Department of Pathology, Department of Genetics, Cancer Biology Program, Stanford University School of Medicine（病理学系、遗传学系、癌症生物学项目，斯坦福大学医学院） ； Harvard Law School（哈佛法学院） ； Department of Computer Science, Tufts University（计算机科学系，塔夫茨大学） ； School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校） ； Department of Computer Science, Virginia Tech（计算机科学系，弗吉尼亚理工大学） ； Department of Physics, Tsinghua University（物理系，清华大学） ； Institute for Advanced Study, Tsinghua University（清华大学高级研究所） ； Laboratory of Artificial Chemical Intelligence, Ecole Polytechnique Federale de Lausanne（人工化学智能实验室，瑞士联邦理工学院）
AI总结 本文提出一个基于场景的基准测试，评估LLM在生物学、化学、材料科学和物理学中的科学发现能力，揭示了模型在科学发现任务中的性能差距和改进方向。
ThinKV: 基于思维适应的KV缓存压缩以提高推理模型效率
机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Research（NVIDIA研究）
AI总结 本文提出ThinKV，通过混合量化-驱逐策略，根据思维重要性动态调整token精度，减少KV缓存占用，提升推理效率和吞吐量。
Comments ICLR 2026 (Oral)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈