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

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。

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