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

Variational Inference via Entropic Transport Descent

通过熵传输下降的变分推断

Vincent Pacelli, Akash Ratheesh, Evangelos Theodorou

机构 * School of Aerospace Engineering（航空航天工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Atlanta, GA 30332（亚特兰大, GA 30332） 纠错

AI总结 提出熵传输下降（ETD），一种基于粒子变分推断方法，通过熵正则化最优传输实现全局协调，避免高维方差坍塌和多模态模式坍塌，无需评分函数。

Comments 28 pages, 1 figure

GRAFT: Graph-Based Affordance Transfer via Part Correspondence

GRAFT: 基于部件对应的图结构功能迁移

Mengying Lin, Utkarsh Mishra, Ajay Mandlekar, Danfei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA（英伟达） 纠错

AI总结 提出GRAFT框架，利用部件级图表示和几何感知对应，通过单次演示实现零样本操作迁移，解决泛化到未见物体的挑战。

Journal ref In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 8746-8755

Causality-Based Parametric Control Barrier Function for Safe Multi-Vehicle Interaction

基于因果关系的参数化控制屏障函数用于安全多车交互

Yiwei Lyu, Caleb Chang, John M. Dolan

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） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 针对多车交互中因果推断困难导致保守行为的问题，提出基于因果关系的参数化控制屏障函数，实现自适应安全控制，提升任务效率。

Comments accepted ICRA 2026

Learning Optimization Proxies for Sequential Contextual Stochastic Programs: An Order Fulfillment Application

学习序列上下文随机程序的优化代理：订单履行应用

Tinghan Ye, Shuaicheng Tong, Changkun Guan, Beste Basciftci, Pascal Van Hentenryck

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程系） ； Tippie College of Business, University of Iowa（爱荷华大学蒂普皮商学院） 纠错

AI总结 针对需要亚秒级响应的序列上下文随机程序，提出一种场景嵌入神经网络代理，通过离线训练和在线解码器保证可行性，在订单履行中实现2800倍加速和3.3%成本改进。

Operator Boosting Produces Pareto-Efficient PDE Surrogates

算子提升产生帕累托高效的PDE代理模型

Lennon J. Shikhman

机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院） ； Department of Mathematics and Systems Engineering, Florida Institute of Technology（佛罗里达理工学院数学与系统工程系） 纠错

AI总结 提出算子提升框架，通过残差学习直接构建紧凑神经算子代理，在30个数据集-架构对上平均准确率提升，参数量减少72-95%，并在多个PDE基准上实现帕累托改进。

Comments 11 pages, 3 figures, 3 tables. Submitted to ACM SIGKDD 2027 AI4Sciences Track

Multifidelity-Augmented Gaussian Process Inputs for Surrogate Modeling from Scarce Data

多保真度增强高斯过程输入用于稀缺数据代理建模

Atticus Rex, Elizabeth Qian, David Peterson

机构 * School of Aerospace Engineering, Georgia Institute of Technology, Atlanta, GA（航空航天工程学院，佐治亚理工学院，亚特兰大，GA） ； School of Computational Science & Engineering, Georgia Institute of Technology, Atlanta, GA（计算科学与工程学院，佐治亚理工学院，亚特兰大，GA） ； Air Force Research Lab, Wright-Patterson AFB, Dayton, Ohio（空军研究实验室，威格伍德-帕特森空军基地，代顿，俄亥俄） 纠错

AI总结 提出一种多保真度训练方法，利用低保真数据定义额外特征增强输入空间，结合协同克里金和自回归估计器优势，在稀缺数据下提高预测精度并降低计算成本。

Beyond Topology: A Morphological Symmetry Graph Representation for Locomotion Policy Learning

超越拓扑：用于运动策略学习的形态对称图表示

Sizhe Wei, Xulin Chen, Fengze Xie, Garrett Ethan Katz, Zhenyu Gan, Lu Gan

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Syracuse University（雪城大学） ； California Institute of Technology（加州理工学院） 纠错

AI总结 提出形态对称图表示MS-PPO，通过对称等变图网络实现策略和价值约束，在四足和人形机器人任务中提升泛化、鲁棒性和样本效率。

Comments Project page: https://msppo.github.io/

Certified Robust Invariant Polytope Training in Neural Controlled ODEs

神经控制ODE中的认证鲁棒不变多面体训练

Akash Harapanahalli, Samuel Coogan

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

AI总结 提出框架训练具有认证鲁棒前向不变多面体的神经网络控制器，通过参数化提升系统并利用区间分析和神经网络验证器构造嵌入系统，基于符号约束实现可扩展训练。

Structured and Balanced Multi-Component and Multi-Layer Neural Networks

结构化和平衡的多组件和多层神经网络

Shijun Zhang, Hongkai Zhao, Yimin Zhong, Haomin Zhou

机构 * Department of Applied Mathematics, Hong Kong Polytechnic University（香港理工大学应用数学系） ； Department of Mathematics, Duke University（杜克大学数学系） ； Department of Mathematics and Statistics, Auburn University（阿伯茨伯格大学数学与统计学系） ； School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学学院） 纠错

AI总结 本文提出一种平衡的多组件多层神经网络结构，通过多组件和多层分解策略提高复杂函数的逼近精度和效率，实验表明其在高振荡函数逼近和局部特征适应方面表现优异。

Comments Our codes and implementation details are available at https://github.com/ShijunZhangMath/MMNN

Journal ref SIAM Journal on Scientific Computing, 47(5):C1059-C1090, 2025

Fourier Multi-Component and Multi-Layer Neural Networks: Unlocking High-Frequency Potential

傅里叶多分量与多层神经网络：解锁高频潜力

Shijun Zhang, Hongkai Zhao, Yimin Zhong, Haomin Zhou

机构 * Department of Applied Mathematics（应用数学系） ； Hong Kong Polytechnic University（香港理工大学） ； Department of Mathematics（数学系） ； Duke University（杜克大学） ； Department of Mathematics and Statistics（数学与统计学系） ； Auburn University（阿伯茨伦大学） ； School of Mathematics（数学学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 提出傅里叶多分量与多层神经网络（FMMNN），结合正弦型激活函数与多分量多层结构，通过低秩架构实现指数级函数逼近能力，优化景观优于标准全连接网络，并设计缩放随机初始化方法加速训练，在高频函数逼近任务中取得高精度与良好收敛性。

Comments Our code and implementation details are available at https://github.com/ShijunZhangMath/FMMNN