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

Large Language Models as Amortized Pareto-Front Generators for Constrained Bi-Objective Convex Optimization

大语言模型作为约束双目标凸优化的 amortized 帕累托前沿生成器

Peipei Xu, SiYuan Ma, Yaohua Liu, Yu Wu, Guanliang Liu, Yang Zhang, Yong Liu

机构 * University of Shanghai for Science and Technology（上海科技大学） ； Nanyang Technological University（南洋理工大学） ； Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Michigan（密歇根大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 本文提出DIPS框架，利用大语言模型生成约束双目标凸优化的帕累托前沿，通过紧凑离散化方案和三阶段课程优化，实现高效连续优化。

Comments 31 pages

Self-Consolidating Language Models: Continual Knowledge Incorporation from Context

自持续语言模型：从上下文持续整合知识

Zekun Wang, Anant Gupta, Zihan Dong, Christopher J. MacLellan

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

AI总结 本文提出自持续语言模型（SCoL），通过在训练后框架中利用上下文生成更新指令，实现持续知识整合，优于多种基线方法。

Comments 9 pages

One Turn Too Late: Response-Aware Defense Against Hidden Malicious Intent in Multi-Turn Dialogue

一念之差：多轮对话中针对隐藏恶意意图的响应感知防御

Xinjie Shen, Rongzhe Wei, Peizhi Niu, Haoyu Wang, Ruihan Wu, Eli Chien, Bo Li, Pin-Yu Chen, Pan Li

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； UCSD（加州大学圣地亚哥分校） ； National Taiwan University（台湾大学） ； IBM Research（IBM研究院） ； Virtue AI 纠错

AI总结 本文提出TurnGate，通过检测最早使交互达到有害行为阈值的轮次，提升多轮对话中恶意意图检测效果，同时保持低拒绝率。

Comments Project Website: https://turn-gate.github.io/

Certified Gradient-Based Contact-Rich Manipulation via Smoothing-Error Reachable Tubes

通过平滑误差可达管实现认证的基于梯度的接触密集 manipulation

Wei-Chen Li, Glen Chou

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

AI总结 本文提出通过平滑动力学并量化补偿误差，实现接触密集 manipulation 的安全性和任务完成的认证，采用凸优化生成鲁棒反馈策略。

Comments Robotics: Science & Systems (RSS) 2026

Evolutionary Task Discovery: Advancing Reasoning Frontiers via Skill Composition and Complexity Scaling

进化任务发现：通过技能组合与复杂性缩放推进推理前沿

Liqin Ye, Yanbin Yin, Michael Galarnyk, Yuzhao Heng, Sudheer Chava, Chao Zhang

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

AI总结 本文提出EvoTD框架，通过结构化进化算子在算法技能与复杂性属性的双轴流形上进行数据合成，提升模型推理能力，并在不同架构和规模上实现稳定泛化。

Multi-Agent System Identification with Nonlinear Sheaf Diffusion

多智能体系统识别与非线性sheaf扩散

Nivar Anwer, Hans Riess, Matthew Hale

机构 * Department of Computer Science, Georgia Tech（佐治亚理工学院计算机科学系） ； Department of Electrical & Computer Engineering, Georgia Tech（佐治亚理工学院电气与计算机工程系） 纠错

AI总结 本文研究多智能体系统中非线性sheaf扩散的识别问题，指出拓扑学中的sheaf上同调是恢复交互规律的关键因素，通过实验验证了在有限维参数化类中恢复的可行性。

HS-FNO: History-Space Fourier Neural Operator for Non-Markovian Partial Differential Equations

HS-FNO：用于非马尔可夫偏微分方程的历史-空间傅里叶神经算子

Lennon J. Shikhman

机构 * College of Computing, Georgia Institute of Technology（计算学院，佐治亚理工学院） 纠错

AI总结 本文提出HS-FNO，一种针对具有延迟和记忆驱动的偏微分方程的历史-空间傅里叶神经算子，通过分解历史状态更新为预测器和精确转移，减少学习维度并提升非马尔可夫动态的模拟效果。

Comments 15 pages, 4 figures, 1 table. Code at https://github.com/lennonshikhman/hs-fno/

Towards Uncertainty-Aware Federated Granger Causal Learning

面向不确定性感知的联邦格兰杰因果学习

Ayush Mohanty, Nazal Mohamed, Nagi Gebraeel

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

AI总结 本文提出一种面向不确定性的联邦格兰杰因果学习方法，通过分析不确定性在框架中的传播，建立闭式协方差递推公式，并在稳态条件下证明不确定性仅依赖客户端数据统计，从而构建后训练假设检验流程，提升跨客户端交互识别的可靠性。

Comments Manuscript under review

Remarks on stochastic cloning and delayed-state filtering

关于随机克隆和延迟状态滤波的评论

Tara Mina, Lindsey Marinello, John Christian

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

AI总结 本文探讨了延迟状态滤波器与随机克隆在处理延迟状态测量时的等效性，证明了延迟状态卡尔曼滤波无需状态扩展即可实现相同结果。