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

Finite-Particle Rates for Regularized Stein Variational Gradient Descent

有限粒子率的正则化Stein变分梯度下降

Ye He, Krishnakumar Balasubramanian, Sayan Banerjee, Promit Ghosal

机构 * Department of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学系） ； Department of Statistics, University of California, Davis（加州大学戴维斯分校统计系） ； Department of Statistics and Operations Research, University of North Carolina, Chapel Hill（北卡罗来纳大学夏洛特分校统计与运筹学系） ； Department of Statistics, University of Chicago（芝加哥大学统计系） 纠错

AI总结 本文研究了正则化Stein变分梯度下降算法的有限粒子率，通过应用树脂型预条件器来校正SVGD的常数阶偏差，推导了时间平均经验测度的非渐近界，并在目标满足W₁I条件下，证明了对于光滑核函数的大类，W₁收敛。

The Normal Distributions Indistinguishability Spectrum and its Application to Privacy-Preserving Machine Learning

正态分布不可区分光谱及其在隐私保护机器学习中的应用

Yu Wei, Yun Lu, Malik Magdon-Ismail, Vassilis Zikas

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Victoria（维多利亚大学） ； Rensselaer Polytechnic Institute（拉特格斯理工学院） 纠错

AI总结 本文研究了任何输出具有高斯分布的算法的隐私性，提出了一种名为正态分布不可区分光谱（NDIS）的通用引理，用于计算任意两个多元高斯分布之间的hockey-stick散度，并将其应用于随机投影等算法的隐私证明，从而实现更高效的隐私保护机制。

Lightweight Gaussian Process Inference in C++ on Metal and CUDA

基于C++在Metal和CUDA上的轻量级高斯过程推断

Yu-Hsueh Fang

机构 * Department of Information Management, National Taiwan University（国立台湾大学信息管理系） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程学院） 纠错

AI总结 本文提出LightGP，一个无需依赖的C++17库，用于高斯过程回归，支持Apple Metal和NVIDIA CUDA后端，以及通过Apple Accelerate和OpenBLAS优化的CPU路径。LightGP提供了四种推断路径，覆盖从N=100到N=500,000的问题规模，并在不同硬件上实现了显著的性能提升。

Conv-FinRe: A Conversational and Longitudinal Benchmark for Utility-Grounded Financial Recommendation

Conv-FinRe：一种用于实用导向财务推荐的对话和纵向基准

Yan Wang, Yi Han, Lingfei Qian, Yueru He, Xueqing Peng, Dongji Feng, Zhuohan Xie, Vincent Jim Zhang, Rosie Guo, Fengran Mo, Jimin Huang, Yankai Chen, Xue Liu, Jian-Yun Nie

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Columbia University（哥伦比亚大学） ； California State University（加州州立大学） ； University of Montreal（蒙特利尔大学） ； The University of Manchester（曼彻斯特大学） ； McGill University（麦吉尔大学） 纠错

AI总结 本研究提出Conv-FinRe基准，用于评估金融推荐模型在对话和长期视角下的实用性，通过多视角参考区分描述性行为与基于投资者风险偏好的规范性效用，揭示理性决策与行为一致性的张力。

Comments Accepted by SIGIR 2026 Resource Track. Pre-camera-ready version

The Illusion of Specialization: Unveiling the Domain-Invariant "Standing Committee" in Mixture-of-Experts Models

领域专精的幻觉：揭示混合专家模型中的领域不变‘ standing committee ’

Yan Wang, Yitao Xu, Nanhan Shen, Jinyan Su, Jimin Huang, Zining Zhu

机构 * The Fin AI（Fin AI） ； Georgia Institute of Technology（佐治亚理工学院） ； Cornell University（康奈尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； The University of Manchester（曼彻斯特大学） 纠错

AI总结 本研究质疑混合专家模型通过稀疏路由实现领域专精的假设，提出COMMITTEEAUDIT框架分析专家组而非个体专家的路由行为，发现领域不变的standing committee，揭示模型存在向集中计算偏倚的结构倾向，表明混合专家模型中的专精程度远低于预期。

Comments Accepted by ACL 2026 main conference. Camera-ready version

FinTagging: Benchmarking LLMs for Extracting and Structuring Financial Information

FinTagging: 评估LLM提取和结构化财务信息

Yan Wang, Lingfei Qian, Xueqing Peng, Yang Ren, Keyi Wang, Yi Han, Dongji Feng, Fengran Mo, Shengyuan Lin, Qinchuan Zhang, Kaiwen He, Chenri Luo, Jianxing Chen, Junwei Wu, Chen Xu, Ziyang Xu, Jimin Huang, Guojun Xiong, Xiao-Yang Liu, Qianqian Xie, Jian-Yun Nie

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Columbia University（哥伦比亚大学） ； California State University（加州州立大学） ； University of Montreal（蒙特利尔大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Rensselaer Polytechnic Institute（莱斯利理工学院） ； The University of Manchester（曼彻斯特大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出FinTagging基准，用于评估LLM在提取和结构化财务信息方面的能力，通过分解为FinNI和FinCL两个子任务，揭示了LLM在细粒度概念链接上的局限性。

Principal Component Analysis for Lunar Crater Detection

基于主成分分析的月球陨石坑检测

Travis Driver, John A. Christian

机构 * School of Aerospace Engineering, Georgia Institute of Technology（航空航天工程学院，佐治亚理工学院） 纠错

AI总结 本文提出了一种基于主成分分析的自动陨石坑模板生成方法，用于改进基于图像的陨石坑识别技术，通过在模拟月球图像上展示优于手工挑选模板的检测和定位性能。

CAST: Causal Anchored Simplex Transport for Distribution-Valued Time Series

CAST：基于简单集的因果传输用于分布值时间序列

Jiecheng Lu, Jieqi Di, Runhua Wu, Yuwei Zhou

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Indiana University（印第安纳大学） 纠错

AI总结 该研究提出CAST方法，通过因果锚定简单集传输来处理分布值时间序列的因果预测，解决了分布传输中的结构性失效问题，并在多个基准测试中表现出色。

Isolating Nonlinear Independent Sources in fMRI with $β$-TCVAE Models

利用β-TCVAE模型在fMRI中分离非线性独立源

Qiang Li, Shujian Yu, Jesus Malo, Jingyu Liu, Tülay Adali, Vince D. Calhoun

机构 * Tri-Institutional Center for Translational Research in Neuroimaging and Data Science（转化神经影像与数据科学跨机构中心） ； Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； University of Valencia（瓦伦西亚大学） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） 纠错

AI总结 本文提出利用β-TCVAE模型处理非线性fMRI数据，分离混合的空间和时间脑信号，恢复具有生物学意义的非线性空间成分，并通过功能网络连接性验证了潜在结构的可解释性。

Comments 6 pages, 2 figures

Efficient Adjoint Matching for Fine-tuning Diffusion Models

高效对抗匹配用于扩散模型微调

Jeongwoo Shin, Dongsoo Shin, Yuchen Zhu, Wei Guo, Yongxin Chen, Joonseok Lee, Jaewoong Choi, Jaemoo Choi

机构 * Seoul National University（首尔国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Sungkyunkwan University（庆尚大学） 纠错

AI总结 本文提出高效对抗匹配(EAM)，通过改用线性基础漂移和修改终端成本，解决对抗匹配在扩散模型微调中的计算瓶颈，使训练效率提升4倍并在多个指标上表现优异。

ACWM-Phys: Investigating Generalized Physical Interaction in Action-Conditioned Video World Models

ACWM-Phys：探究动作条件化视频世界模型中的广义物理交互

Haotian Xue, Yipu Chen, Liqian Ma, Zelin Zhao, Lama Moukheiber, Yuchen Zhu, Yongxin Chen

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

AI总结 本文提出ACWM-Phys基准，用于评估动作条件化预测在多样物理动态下的性能，通过系统实验发现模型在物理规则和任务复杂度上存在泛化差异，指导了物理基础世界模型的设计。

Can RL Teach Long-Horizon Reasoning to LLMs? Expressiveness Is Key

强化学习能否教会大语言模型长期 horizon 推理？表达性是关键

Tianle Wang, Zhaoyang Wang, Guangchen Lan, Xinpeng Wei, Sipeng Zhang, Guanwen Qiu, Abulhair Saparov

机构 * Purdue University（普渡大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Georgia Tech（佐治亚理工学院） ； UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文通过ScaleLogic框架研究了RL训练与任务难度的关系，发现推理深度和逻辑表达性影响训练计算量，表达性越高，训练效率越高，证明LLM的长期推理问题可通过改进训练方法解决。

Can LLM Agents Be CFOs? Benchmarking Long-Horizon Resource Allocation in an Uncertain Enterprise Environment

LLM代理能成为CFO吗？在不确定的企业环境中评估长期资源分配

Yi Han, Yan Wang, Lingfei Qian, Haohang Li, Yupeng Cao, Yueru He, Xueqing Peng, Nanhan Shen, Yitao Xu, Yankai Chen, Dongji Feng, Jimin Huang, Xue Liu, Jian-Yun Nie, Sophia Ananiadou

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The Fin AI ； Stevens Institute of Technology（史蒂文斯理工学院） ； Columbia University（哥伦比亚大学） ； George Mason University（乔治·马歇尔大学） ； McGill University（麦吉尔大学） ； Mohamed bin Zayed University of Artificial Intelligence（莫扎大学人工智能学院） ； California State University, Monterey Bay（加州州立大学蒙特雷湾分校） ； University of Manchester（曼彻斯特大学） ； Mila – Quebec Artificial Intelligence Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） 纠错

AI总结 本文通过EnterpriseArena模拟器评估LLM在不确定环境下的长期资源分配能力，发现现有模型在复杂任务中表现不足，仅15.4%的试验能持续完整周期。

cuNRTO: GPU-Accelerated Nonlinear Robust Trajectory Optimization

cuNRTO：GPU加速的非线性鲁棒轨迹优化

Jiawei Wang, Arshiya Taj Abdul, Evangelos A. Theodorou

机构 * Georgia Institute of Technology, Atlanta（佐治亚理工学院, 奥斯汀） ； University of California, San Diego（加州大学圣地亚哥分校） ； Deemos Corporation（德摩斯公司） 纠错

AI总结 本文提出cuNRTO框架，通过CUDA实现非线性鲁棒轨迹优化，利用DR方法和ADMM算法解决SOCP约束问题，提升计算效率，实验证明在不同机器人模型上实现高达139.6倍的加速。

Assured autonomy: How operations research powers and orchestrates generative AI systems

保障自主性：如何用运筹学赋能和协调生成式AI系统

Tinglong Dai, David Simchi-Levi, Michelle Xiao Wu, Yao Xie

机构 * Carey Business School, Johns Hopkins University（约翰霍普金斯大学卡里商学院） ； Data Science and AI Institute, Johns Hopkins University（约翰霍普金斯大学数据科学与人工智能研究院） ； Institute for Data, Systems and Society, Operations Research Center, Department of Civil and Environmental Engineering, Massachusetts Institute of Technology（麻省理工学院数据、系统与社会研究所，运筹学中心，土木与环境工程系） ； Purdue University（普渡大学） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H.米尔顿·斯图尔特工业与系统工程学院） 纠错

AI总结 本文探讨生成式AI在向自主决策系统转变过程中，如何通过运筹学方法提升系统的可行性、鲁棒性和风险控制能力。

Comments Authors are listed alphabetically; Production and Operations Management (POM), 2026

Understanding In-Context Learning on Structured Manifolds: Bridging Attention to Kernel Methods

在结构流形上理解上下文学习：连接注意力机制与核方法

Zhaiming Shen, Alexander Hsu, Rongjie Lai, Wenjing Liao

机构 * School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学系） ； Department of Mathematics, Purdue University（普渡大学数学系） 纠错

AI总结 本文研究了在结构几何数据上上下文学习的理论，通过将注意力机制与核方法联系，揭示了transformers在流形上进行核预测的机制，并推导了泛化误差界。

Transformers for Learning on Noisy and Task-Level Manifolds: Approximation and Generalization Insights

用于噪声和任务级流形学习的Transformer：近似和泛化见解

Zhaiming Shen, Alex Havrilla, Rongjie Lai, Alexander Cloninger, Wenjing Liao

机构 * School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学系） ； Department of Mathematics, Purdue University（普渡大学数学系） ； Department of Mathematics and Halicioğlu Data Science Institute, University of California, San Diego（加州大学圣地亚哥分校数学系和Halicioğlu数据科学研究所） 纠错

AI总结 本文研究了Transformer在噪声和任务级流形上的学习性能，证明了其在低维结构中泛化能力与任务级流形的内在维度密切相关。

Lightweight CNN-Based DDoS Detection for Resource-Constrained Edge Networks

轻量级基于CNN的DDoS检测用于资源受限的边缘网络

Vedanth Ramanathan, Krish Mahadevan, Sejal Dua

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Green River College（绿河学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出一种轻量级监督深度学习方法，利用CNN检测DDoS攻击，通过提取包流特征并进行分类，实现低延迟的边缘网络检测。

SCOUT: Cyclic Causal Discovery Under Soft Interventions with Unknown Targets

SCOUT：在软干预下未知目标的循环因果发现

Alpar Turkoglu, Muralikrishnna G. Sethuraman, Faramarz Fekri

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院） 纠错

AI总结 SCOUT提出一种新框架，通过最大化数据对数似然恢复图结构，利用合同残差流和神经样条流，实现从软干预数据中学习非线性循环因果关系，优于现有方法。

Structure-Aware Masking for Protein Representation Learning

基于结构的掩码策略用于蛋白质表示学习

Thomas Walton, Ayan Goel, Amirali Aghazadeh

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

AI总结 本文提出结构感知掩码策略，通过三维空间接近性选择残基组，改进蛋白质表示学习，提升下游预测任务性能，实现14%的提升。

Preference Instability in Reward Models: Detection and Mitigation via Sparse Autoencoders

奖励模型中的偏好不稳定性：通过稀疏自编码器进行检测与缓解

Shunchang Liu, Xin Chen, Belen Martin Urcelay, Francesco Croce

机构 * ETH Zürich（苏黎世联邦理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Aalto University（阿alto大学） 纠错

AI总结 本文研究了大型语言模型中奖励模型的偏好不稳定性问题，提出通过稀疏自编码器检测并缓解这种不稳定性，通过隔离不稳定特征来提升模型的偏好准确性。

Robust Multimodal Representation Learning in Healthcare

医疗领域鲁棒多模态表征学习

Xiaoguang Zhu, Linxiao Gong, Lianlong Sun, Yang Liu, Haoyu Wang, Jing Liu

机构 * University of California, Davis（加州大学戴维斯分校） ； HKUST (GZ)（香港科技大学） ； University of Rochester（罗切斯特大学） ； Tongji University（同济大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Fudan University（复旦大学） ； The University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 本文提出双流特征去相关框架，通过结构因果分析处理医疗多模态数据中的系统性偏差，提升模型泛化能力，实验验证在MIMIC-IV、eICU和ADNI数据集上的性能提升。