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

Online Algorithms via Minimax and Posterior Matching

基于极小极大与后验匹配的在线算法

Thomas Kesselheim, Marco Molinaro, Kalen Patton, Sahil Singla

机构 * University of Bonn（波恩大学） ； Institute of Computer Science, University of Bonn（波恩大学计算机科学学院） ； Microsoft Research（微软研究院） ； PUC-Rio（里约热内卢天主教大学） ； Georgia Tech（佐治亚理工学院） ； School of Mathematics, Georgia Tech（佐治亚理工学院数学学院） ； School of Computer Science, Georgia Tech（佐治亚理工学院计算机科学学院） 纠错

AI总结 该研究基于极小极大视角提出后验匹配原理，将在线算法竞争分析简化为贝叶斯在线设计，为多类在线问题提供最优或接近最优保证，构建了可复用的理论框架。

Comments To appear at FOCS 2026

Retrieval Augmented Biomedical Question Answering with Weak Question Recovery and Neural Reranking for BioASQ Task 14b

面向BioASQ第14b任务的结合弱问题恢复与神经重排序的检索增强生物医学问答

Xueying Zhao, Lee Mai, Balaji Anandganesh

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

AI总结 该研究针对BioASQ第14b任务，构建了结合多源查询扩展等技术的生物医学问答系统，通过弱问题恢复与检索后剪枝提升检索性能，经实验验证可显著优化MAP@10指标。

Action Chunk Scheduling for Batched Robot Policy Serving

用于批量机器人策略服务的动作块调度

Rohan Bansal, David He, Nadun Ranawaka Arachchige, Zhenyang Chen, Soobum Kim, Kexin Rong, Danfei Xu

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

AI总结 本文提出从远程GPU向多机器人提供策略服务的调度问题，构建Armory系统，提出考虑机器人异构性的调度算法，使真实场景系统吞吐量最高提升18%。

DS@GT ARC at MEDIQA-CORE-Task-1 2026: Trimodal Model Fusion with Task-Specific Gates for Brain Tumor Subtype Classification

DS@GT ARC团队参与2026 MEDIQA-CORE-Task-1：采用带任务特定门控的三模态模型融合进行脑肿瘤亚型分类

Hoang Thanh Thanh Truong, Charles R. Clark

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Florida（佛罗里达大学） 纠错

AI总结 DS@GT ARC团队针对2026 MEDIQA-CORE-Task-1，提出带任务特定门控的三模态模型融合方法，结合多类嵌入与报告，获全多模态下0.801宏F1，排名第二。

Comments CLEF 2026 Working Notes, 21 - 24 September 2026, Jena, Germany

Generic Vision and Cross-Attention for Reaction Yield Prediction

用于反应产率预测的通用视觉与交叉注意力机制

Qiwei Han, Chi Zhou

机构 * Duke University（杜克大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 该研究针对传统反应产率预测缺乏空间信息的问题，提出双模态视觉交叉注意力架构，结合通用视觉骨干网络与残差连接，实现了优于传统方法的预测精度，为物理化学研究提供了可扩展的深度视觉学习方案。

Comments 12 pages, 4 figures

SoK: DARPA's AI Cyber Challenge (AIxCC): Competition Design, Architectures, and Lessons Learned

SoK: DARPA 人工智能网络挑战赛 (AIxCC)：竞赛设计、架构与经验教训

Cen Zhang, Younggi Park, Fabian Fleischer, Yu-Fu Fu, Jiho Kim, Dongkwan Kim, Youngjoon Kim, Qingxiao Xu, Andrew Chin, Ze Sheng, Hanqing Zhao, Michael Pelican, David J. Musliner, Jeff Huang, Jon Silliman, Mikel Mcdaniel, Jefferson Casavant, Isaac Goldthwaite, Nicholas Vidovich, Matthew Lehman, Taesoo Kim

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Texas A&M University（德克萨斯大学） ； Smart Information Flow Technologies (SIFT)（智能信息流技术公司） ； Kudu Dynamics（Kudu动态公司） ； Microsoft（微软） 纠错

AI总结 本文系统分析 DARPA 人工智能网络挑战赛 (AIxCC)，探讨其竞赛设计、决赛系统的架构方法，并总结驱动性能的因素、技术进展及未来研究方向。

Comments Camera ready version, systematization of Knowledge and post-competition analysis of DARPA AIxCC (2023-2025)

Journal ref USENIX Security 2026

Good Weights: Proactive, Adaptive Dead Reckoning Fusion for Continuous and Robust Visual SLAM

Good Weights：用于连续鲁棒视觉SLAM的主动自适应航位推算融合算法

Yanwei Du, Jing-Chen Peng, Patricio A. Vela

机构 * School of Electrical and Computer Engineering（电气与计算机工程学院） ； Institute of Robotics and Intelligent Machines（机器人与智能机械研究所） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出Good Weights算法，通过自适应融合航位推算与被动视觉SLAM，解决纹理缺失等环境下视觉SLAM位姿估计差、跟踪丢失的问题，提升了视觉SLAM的性能与鲁棒性。

Comments 8 pages, 9 figures, 1 table. Accepted to ICRA 2026