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

KLIP: localized distribution shift detection via KL-divergence with diffusion priors in Inverse Problems

KLIP：通过逆问题中扩散先验的KL散度进行局部分布偏移检测

Alireza Kheirandish, Jihoon Hong, Sara Fridovich-Keil

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

AI总结 提出基于KL散度的OOD检测指标，无需校准数据或偏移分布知识，可检测并定位图像中的局部分布偏移。

Comments CVPR 2026

Non-Asymptotic Convergence of Stochastic Iterative Algorithms: A Lyapunov Framework

随机迭代算法的非渐近收敛性：一个李雅普诺夫框架

Zaiwei Chen, Siva Theja Maguluri

机构 * Purdue IE（普渡大学工业工程） ； Georgia Tech IE（佐治亚理工学院工业工程） 纠错

AI总结 本文综述了基于李雅普诺夫技术的随机迭代算法（随机逼近）的有限时间分析方法，通过广义Moreau包络作为通用李雅普诺夫函数，给出了均方收敛保证，并应用于随机梯度下降、线性SA及Q学习等强化学习算法，最后讨论了马尔可夫噪声、半范数压缩算子等扩展。

Comments 44 pages

Hide-and-Seek in Trajectories: Discovering Failure Signals for VLA Runtime Monitoring

轨迹中的捉迷藏：发现VLA运行时监控的失败信号

Seongheon Park, Wendi Li, Changdae Oh, Samuel Yeh, Zsolt Kira, Michael Hagenow, Sharon Li

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出Hide-and-Seek框架，通过轨迹间和轨迹内对比学习，从轨迹级监督中定位失败指示动作，实现无需步骤标注的VLA模型运行时失败检测。

FLAG: Flow Policy MaxEnt-RL by Latent Augmented Guidance

FLAG: 通过潜在增强引导的流策略最大熵强化学习

Sungha Kim, Gawon Lee, Jusuk Lee, Jonghae Park, H. Jin Kim, Daesol Cho

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

AI总结 提出FLAG方法，通过潜在变量增强状态空间并优化代理最大熵目标，解决重要性权重崩溃问题，实现高维控制任务中的表达性策略优化。

Exploiting Chordal Sparsity for Globally Optimal Estimation with Factor Graphs

利用弦稀疏性实现因子图的全局最优估计

Avinash Subramanian, Connor Holmes, Timothy D. Barfoot, Frank Dellaert, Frederike Dümbgen

机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院） ； Robotics Institute, University of Toronto（多伦多大学机器人研究所） ； Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系） 纠错

AI总结 本文提出在GTSAM框架中自动构建凸半定规划松弛，并利用贝叶斯树分解加速求解，实现因子图的全局最优估计。

Journal ref ICRA 2026 WORKSHOP ON FRONTIERS OF OPTIMIZATION FOR ROBOTICS

ScaleMAP: Preserving Local Density and Neighborhood Structure in Low-Dimensional Embeddings

ScaleMAP: 在低维嵌入中保持局部密度和邻域结构

Rajas Poorna, Marcus T. Cicerone

机构 * School of Chemical and Biomolecular Engineering（化学与生物分子工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； School of Chemistry and Biochemistry（化学与生物化学学院） 纠错

AI总结 提出ScaleMAP方法，通过将每对嵌入位移除以原始空间局部半径的几何均值，在保持UMAP级邻域保真度的同时恢复密度信息，解决了UMAP等非线性降维方法丢失邻域尺度的问题。

Comments 23 pages, 16 figures

Local Differential Privacy with Correlated Noise Achieves Central-DP Optimal Cost

具有相关噪声的本地差分隐私实现中心DP最优成本

Madhura Pathegama, Srikanth Avasarala, Viveck R. Cadambe, Juba Ziani

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

AI总结 通过设计本地噪声之间的相关性，构造ε-差分隐私机制，使得估计成本与中心化设置下的最优成本匹配，差距可任意小。

Collaborative Navigation and Exploration with $β$-Sparse Gaussian Processes

基于$β$-稀疏高斯过程的协作导航与探索

Evangelos Psomiadis, Dipankar Maity, Panagiotis Tsiotras

机构 * D. Guggenheim School of Aerospace Engineering, Georgia Tech, Atlanta, GA, USA（佐治亚理工学院D.Guggenheim航空航天工程学院） ； Department of Electrical and Computer Engineering, UNC Charlotte, Charlotte, NC, USA（北卡罗来纳大学夏洛特分校电气与计算机工程系） 纠错

AI总结 针对异构机器人在未知环境中的协作导航问题，提出一种利用$β$-稀疏高斯过程进行带宽受限下地图点选择和导航动作联合优化的框架，显著降低路径代价和传输信息量。

Comments 16 pages, 6 figures

Inference of Online Newton Methods with Nesterov's Accelerated Sketching

带有Nesterov加速草图的在线牛顿方法的推断

Haoxuan Wang, Xinchen Du, Sen Na

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

AI总结 针对在线牛顿方法推断计算成本高的问题，提出结合Hessian平均与Nesterov加速草图投影求解器的方法，在保持一阶方法$O(d^2)$复杂度下实现二阶方法的鲁棒性，并建立了全局收敛性、渐近正态性和在线协方差估计器。

Comments 52 pages, 2 tables, 3 figures; accepted at ICML 2026

Physics Enhanced Deep Surrogates for the Phonon Boltzmann Transport Equation

声子玻尔兹曼输运方程的物理增强深度代理模型

Antonio Varagnolo, Giuseppe Romano, Raphaël Pestourie

机构 * 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） ； Institute for Soldier Nanotechnologies, Massachusetts Institute of Technology（士兵纳米技术研究所，麻省理工学院） 纠错

AI总结 提出物理增强深度代理模型（PEDS），结合可微傅里叶求解器与神经网络生成器，通过不确定性驱动主动学习，在弹道和扩散区域实现高精度、高数据效率的声子输运模拟，仅需300次高保真BTE模拟即可达到约5%的误差。

A hitchhiker's guide to Poisson gradient estimation

泊松梯度估计的旅行者指南

Michael Ibrahim, Hanqi Zhao, Eli Sennesh, Zhi Li, Anqi Wu, Jacob L. Yates, Chengrui Li, Hadi Vafaii

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Reality Labs, Meta（Meta现实实验室） ； Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空信息研究所） ； Redwood Center for Theoretical Neuroscience, UC Berkeley（伯克利大学理论神经科学中心） ； VERSES AI Research Lab, Los Angeles, USA（洛杉矶VERSES AI研究实验室） 纠错

AI总结 本文系统比较了指数到达时间模拟和Gumbel-SoftMax松弛两种方法，提出改进的EAT方法以降低偏差，并在泊松潜变量模型上验证其优越性能。

Comments Published at ICML2026 --- code: https://github.com/hadivafaii/PoissonGradientEstimation

Reduced-order modeling of Hamiltonian dynamics based on symplectic neural networks

基于辛神经网络的哈密顿动力学降阶建模

Yongsheng Chen, Wei Guo, Qi Tang, Xinghui Zhong

机构 * School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院） ； Department of Mathematics and Statistics, Texas Tech University（德克萨斯理工大学数学与统计系） ； School of Computational Science and Engineering, Georgia Institute of Technology（佐治亚理工学院计算科学与工程学院） 纠错

AI总结 提出一种数据驱动的辛诱导降阶建模框架，通过统一端到端神经架构同时发现潜空间和学习动力学，确保降阶模型精确保持辛结构，提升长期稳定性和保真度。