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

CopT: Contrastive On-Policy Thinking with Continuous Spaces for General and Agentic Reasoning

CopT: 在连续空间中利用对比学习进行通用和代理推理的在线策略思考

Dachuan Shi, Hanlin Zhu, Xiangchi Yuan, Wanjia Zhao, Kejing Xia, Wen Xiao, Wenke Lee

机构 * Georgia Tech（佐治亚理工学院） ； UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Microsoft（微软公司） 纠错

AI总结 本文提出CopT，一种改进的推理流程，通过反转传统思考和回答的顺序，首先生成草稿答案，再基于该答案进行在线策略思考以进行反思和修正。CopT利用连续嵌入作为推理时的对比验证器，通过对比离散令牌输入和连续嵌入输入下模型对相同生成令牌的支持，得到一个序列级的反KL估计器来评估答案的可靠性。在数学、编程和代理推理任务中，CopT在保持同等或更高准确性的情况下，将峰值准确率提高了高达23%，并将令牌使用量减少了高达57%。

Comments Code: https://github.com/sdc17/CopT, Website: https://copt-web.github.io/

Cross-View Splatter: Feed-Forward View Synthesis with Georeferenced Images

跨视图泼溅：基于地理参考图像的馈送视图合成

Matias Turkulainen, Akshay Krishnan, Filippo Aleotti, Mohamed Sayed, Guillermo Garcia-Hernando, Juho Kannala, Arno Solin, Gabriel Brostow, Daniyar Turmukhambetov

机构 * Aalto University（阿alto大学） ； Georgia Tech（佐治亚理工学院） ； Niantic Spatial（Niantic空间） ； University of Oulu（奥卢大学） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； UCL（伦敦大学学院） 纠错

AI总结 本文提出了一种基于地理参考图像的馈送视图合成方法，通过融合正交校正的卫星图像与GPS标记的地面照片，预测统一3D坐标框架中的高斯泼溅，从而提升场景覆盖和新视角合成效果。

Comments Submitted to CVPR 2026. 8 figures, 3 tables. Project page: https://nianticspatial.github.io/cross-view-splatter/

Personalized Face Privacy Protection From a Single Image

基于单张图像的个性化面部隐私保护

Zachary Yahn, Fatih Ilhan, Tiansheng Huang, Selim Tekin, Sihao Hu, Yichang Xu, Margaret Loper, Ling Liu

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

AI总结 本文提出FaceCloak系统，通过单张图像生成个性化面部隐私掩码，有效防止面部识别，经实验验证其在多个数据集上优于其他方法。

Rethinking the Design Space of Reinforcement Learning for Diffusion Models: On the Importance of Likelihood Estimation Beyond Loss Design

重新思考扩散模型强化学习的设计空间：超越损失设计的似然估计的重要性

Jaemoo Choi, Yuchen Zhu, Wei Guo, Petr Molodyk, Bo Yuan, Jinbin Bai, Yi Xin, Molei Tao, Yongxin Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） ； National University of Singapore（新加坡国立大学） ； Nanjing university（南京大学） 纠错

AI总结 本文研究了扩散模型强化学习设计空间中的关键问题，通过分解策略梯度目标、似然估计器和回放采样方案三个因素，发现基于证据下界（ELBO）的模型似然估计器是实现有效、高效和稳定强化学习优化的主要因素，优于特定策略梯度损失函数的影响。

Comments 23 pages, 11 figures

Context-Aware Detection and Victim-Centered Response Generation for Online Harassment in Private Messaging

基于上下文的在线骚扰检测与以受害者为中心的回应生成：私人信息交流中的在线骚扰

Pinxian Lu, Nimra Ishfaq, Emma Win, Morgan Rose, Sierra R Strickland, Candice L Biernesser, Jamie Zelazny, Munmun De Choudhury

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Pittsburgh（匹兹堡大学） 纠错

AI总结 本文研究了大型语言模型如何支持私人信息交流中的在线骚扰检测与回应，通过构建一个包含80,053条Instagram私信的标注数据集，开发了上下文感知的级联分类流水线，并提出了一种以受害者为中心的回应框架，生成心理上合理的AI回应，经评估发现其在情感支持和缓和冲突方面显著优于原始回应。

Comments 16 pages, 2 figures

The Wisdom of the Crowd: High-Fidelity Classification of Cyber-Attacks and Faults in Power Systems Using Ensemble and Machine Learning

人群智慧：利用集成和机器学习实现电力系统中网络攻击和故障的高保真分类

Emad Abukhousa, Syed Sohail Feroz Syed Afroz, Fahad Alsaeed, Abdulaziz Qwbaiban, Saman Zonouz, A. P. Sakis Meliopoulos

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA, USA（电气与计算机工程学院，佐治亚理工学院，美国亚特兰大，GA） 纠错

AI总结 本文提出了一种高保真评估框架，利用电磁暂态仿真与数字变电站仿真在4.8kHz下评估基于机器学习的网络攻击和物理故障分类方法，通过训练12种机器学习模型并在实时流环境中评估，展示了在流式环境中MLP的鲁棒覆盖性和集成模型的异常精度。

Proximal Diffusion Neural Sampler

近端扩散神经采样器

Wei Guo, Jaemoo Choi, Yuchen Zhu, Molei Tao, Yongxin Chen

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

AI总结 本文提出了一种名为近端扩散神经采样器（PDNS）的框架，通过在路径测度空间上应用近端点方法，解决神经采样器在训练过程中遇到的多模式目标分布和模式崩溃问题，通过分阶段的简单子问题逐步逼近目标分布，促进模式的全面探索。

Comments Accepted at ICLR 2026 (https://openreview.net/forum?id=XTHQqS7ObC)

Complexity Analysis of Normalizing Constant Estimation: from Jarzynski Equality to Annealed Importance Sampling and beyond

归一化常数估计的复杂性分析：从Jarzynski等式到退火重要性采样及其进一步发展

Wei Guo, Molei Tao, Yongxin Chen

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

AI总结 本文研究了归一化常数估计问题，提出了一种非渐近分析方法，推导了退火重要性采样估计归一化常数的复杂度，并提出了一种新的算法以处理多模态问题。

Comments Accepted at ICLR 2026 (https://openreview.net/forum?id=96fJALwotm)

Lynx: Enabling Efficient MoE Inference through Dynamic Batch-Aware Expert Selection

Lynx：通过动态批量感知专家选择实现高效的MoE推理

Vima Gupta, Jae Hyung Ju, Kartik Sinha, Ada Gavrilovska, Anand Padmanabha Iyer

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

AI总结 本文提出Lynx系统，通过利用MoE训练中的负载平衡损失特性，减少专家调用总数，从而在不依赖工作负载的情况下实现高效的MoE推理，提升了吞吐量并保持了低的精度损失。