Structural Alignment Improves Graph Test-Time Adaptation
结构对齐提升图测试时间适应
机构 * Georgia Tech（佐治亚理工学院） ； UIUC（伊利诺伊大学香槟分校）
AI总结 本文提出结构对齐方法，通过在推理时调整图结构来提升图测试时间适应性能，无需重新训练，有效应对分布偏移问题。
Comments Accepted to AISTATS 2026
高校专区
Georgia Institute of Technology（佐治亚理工学院）
Polymath: A Challenging Multi-modal Mathematical Reasoning Benchmark
PolyMATH：一个具有挑战性的多模态数学推理基准
机构 * Arizona State University（亚利桑那州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 PolyMATH基准通过5000张高质量图像评估多模态大语言模型的推理能力，揭示其在空间关系和抽象推理上的不足，指出模型无法真正理解视觉信息，存在逻辑错误风险。
Comments Accepted in Neural Information Processing Systems (NeurIPS 2025) Workshop: Foundations of Reasoning in Language Models
AgentReview: Exploring Peer Review Dynamics with LLM Agents
AgentReview: 探索基于LLM代理的同行评审动态
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Science and Technology of China（中国科学技术大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； William & Mary（威廉与玛丽学院）
AI总结 本文提出AgentReview框架，通过LLM模拟同行评审过程，揭示评审者偏见导致论文决策37.1%的变异，结合社会学理论提升评审机制设计。
Comments Accepted at EMNLP 2024 Main Track (Oral). https://agentreview.github.io/
Smoothing Out the Edges: Continuous-Time Estimation with Gaussian Process Motion Priors on Factor Graphs
平滑边缘：基于因子图的高斯过程运动先验的连续时间估计
机构 * University of Toronto（多伦多大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出基于因子图的高斯过程连续时间估计方法，通过简化解释和三个GTSAM示例，提升非参数方法在机器人中的应用。
Learning Theory of Transformers: Local-to-Global Approximation via Softmax Partition of Unity
Transformer的学习理论：通过Softmax分区统一实现局部到全局近似
机构 * School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学系）
AI总结 本文研究了Transformer网络在紧致欧几里得域和紧致黎曼流形上的回归任务学习理论，提出了一种新的构造近似框架，通过Softmax分区统一将局部近似聚合为全局近似，证明了密集Transformer能以O(ε^{-d/α})参数实现α-Holder连续函数的均匀ε-近似。
Simultaneous Monitoring of Shape and Surface Color via 4D Point Clouds: A Registration-free Approach
通过4D点云同时监测形状和表面颜色：一种无需配准的方法
机构 * Department of Statistical Sciences, University of Padua（帕多瓦大学统计科学系） ； School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院工业与系统工程学院）
AI总结 本文提出一种无需配准的框架，利用4D点云同时监测形状和颜色，通过拉普拉斯-贝特拉米算子的谱特性捕捉几何特征和形状与颜色的关系，有效检测形状变形和颜色异常。
Comments 38 pages, 11 figures
RewardHarness: Self-Evolving Agentic Post-Training
RewardHarness: 自我进化代理的后训练
机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Kolors Team, Kuaishou Technology（快手团队） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Waterloo（滑铁卢大学） ； Etude AI ； Tsinghua University（清华大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 RewardHarness通过自我进化代理框架，利用少量人类偏好示例迭代优化工具库，实现高效图像编辑评估，准确率达47.4%，超越GPT-5 5.3个百分点。
Comments Project page: https://rewardharness.com
FLARE: One-Shot PE-Level Fault Localization in Systolic Arrays via Algebraic Test Vectors
FLARE：通过代数测试向量实现Systolic数组中的一次性PE级故障定位
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出FLARE方法，通过代数测试向量实现Systolic数组中PE级故障定位，利用互质整数生成测试输入，有效区分故障行，适用于INT16运算，定位概率超过98%。
FlashEvolve: Accelerating Agent Self-Evolution with Asynchronous Stage Orchestration
FlashEvolve：通过异步阶段协调加速智能体自我进化
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出FlashEvolve框架，通过异步工作流和队列降低智能体自我进化的时间成本，提升吞吐量和token效率，在GEPA任务中实现3.5倍和4.9倍的提升。
MathConstraint: Automated Generation of Verified Combinatorial Reasoning Instances for LLMs
MathConstraint：为LLMs自动生成验证的组合推理实例
机构 * Georgia Institute of Technology, USA（佐治亚理工学院） ； KNOWIDEA Technologies（KNOWIDEA技术公司）
AI总结 MathConstraint是一个用于评估LLMs组合推理能力的严格适应性基准，通过结合约束满足问题和严格求解器验证，生成持续具有挑战性的实例，展示基准生成器对LLM推理能力进步的鲁棒性。
PHMForge: Evaluating LLM Agents on Industrial Prognostics through MCP-Native, Algorithm-Grounded Tools
PHMForge：通过MCP原生、算法基础的工具评估LLM代理在工业预测维护中的表现
机构 * Columbia University（哥伦比亚大学） ； Georgia Institute of Technology（佐治亚理工学院） ； IBM, New York（IBM，纽约）
AI总结 PHMForge通过MCP原生工具评估LLM代理在工业预测维护中的可靠性，揭示了静态检索在预测计算中的局限性，展示了不同框架和模型的表现差异。
Comments 23 pages, 3 figures
Batch Bayesian Active Learning with Partial Batch Label Sampling
批量贝叶斯主动学习与部分批量标签采样
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出ParBaLS方法，用于改进EPIG算法在大规模批量中的性能，通过实验验证其在固定预算下优于其他方法，适用于基于大预训练模型的贝叶斯逻辑回归。
Projection-Free Functional Constrained Optimization for Risk Aversion and Sparsity Control
无投影函数约束优化用于风险规避和稀疏性控制
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（赫尔曼·米利顿·斯图尔特工业与系统工程学院，佐治亚理工学院） ； College of Management of Technology, EPFL（技术管理学院，苏黎世联邦理工学院）
AI总结 本文提出无投影方法解决函数约束优化问题，针对凸和非凸目标，提出LCG和IPP-LCG方法，展示了迭代复杂度并验证了在投资组合选择和IMRT中的稀疏性与风险平衡。
Active Multiple-Prediction-Powered Inference
主动多预测驱动推断
机构 * The MITRE Corporation（MITRE公司） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出主动多预测驱动推断（AM-PPI），通过在部署时根据成本选择合适的预测子集，优化标签获取和预测权重，实现更高效的医疗AI监控。
NeuroGAN-3D: Enhancing Intrinsic Functional Brain Networks via High-Fidelity 3D Generative Super-Resolution
NeuroGAN-3D: 通过高保真3D生成超分辨率增强内在功能脑网络
机构 * Georgia State University（佐治亚州立大学） ； Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)（神经影像与数据科学转化研究三机构中心（TReNDS）） ； Georgia Institute of Technology（佐治亚理工学院） ； Emory University（埃默里大学）
AI总结 本文提出NeuroGAN-3D，利用生成对抗网络提升rs-fMRI空间图的分辨率，以更精确地局部化功能单元和检测神经生物学变化。
Comments Accepted in ICCABS 2026: The 14th International Conference on Computational Advances in Bio and Medical Sciences
What Time Is It? How Data Geometry Makes Time Conditioning Optional for Flow Matching
现在是什么时候？数据几何如何使流匹配的时间条件化成为可选的
机构 * Georgia Tech（佐治亚理工学院） ； IBM Research（IBM研究院）
AI总结 研究通过分析高维数据几何特性，证明时间盲流匹配模型在实践中表现优异，核心方法揭示了时间可直接从噪声观测中识别，主要贡献是证明时间盲训练的误差可忽略。
Many-to-Many Multi-Agent Pickup and Delivery
多对多多智能体取货与送货
机构 * Institute of Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机械研究所，佐治亚理工学院） ； Symbotic Inc.（Symbotic公司） ； Northeastern University（东北大学）
AI总结 本文提出M2M算法解决多对多多智能体取货与送货问题，通过任务持续时间优化和SKU分布优化，提升仓库效率。
Stochastic Transition-Map Distillation for Fast Probabilistic Inference
随机转移图蒸馏用于快速概率推断
机构 * Department of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院航空航天工程系） ； Department of Computer Science, Georgia Institute of Technology（佐治亚理工学院计算机科学系） ； Department of Mathematics, Florida State University（佛罗里达州立大学数学系）
AI总结 本文提出STMD框架，通过蒸馏完整的转移图加速扩散模型推断并保持概率采样生成，无需预训练教师模型或轨迹模拟，理论上有收敛界支持。
LineRides: Line-Guided Reinforcement Learning for Bicycle Robot Stunts
LineRides: 基于线引导的强化学习用于自行车机器人特技
机构 * RAI Institute（RAI研究院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出LineRides框架，通过空间引导线和稀疏关键姿态实现自行车机器人自主学习多样特技行为，无需示范或显式时间信息。
Comments Published in IEEE Robotics and Automation Letters (RA-L), 2026
Searching for Privacy Risks in LLM Agents via Simulation
通过模拟搜索LLM代理中的隐私风险
机构 * Georgia Tech（佐治亚理工学院） ； Stanford University（斯坦福大学）
AI总结 本文提出通过模拟搜索改进攻击与防御策略，发现攻击策略从直接请求演变为伪装和伪造同意等复杂手段，防御策略从规则约束升级为身份验证状态机，为隐私安全代理发展提供洞察。
Comments ICLR 2026
PISTO: Proximal Inference for Stochastic Trajectory Optimization
PISTO：随机轨迹优化的近端推断
机构 * School of Aerospace Engineering（航空航天工程学院） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 PISTO通过引入KL正则化稳定更新，实现非光滑成本的高效优化，在机器人运动规划中取得更高成功率和更优路径质量。
Comments 8 pages
The Position Curse: LLMs Struggle to Locate the Last Few Items in a List
位置诅咒：LLM在列表中定位最后几个项目时表现不佳
机构 * UC San Diego（加州大学圣地亚哥分校） ； Georgia Tech（佐治亚理工学院） ； New York University（纽约大学）
AI总结 LLM在定位长列表中单个相关项目时表现优异，但在短列表中最后几个项目定位上存在缺陷，即位置诅咒。通过构建PosBench数据集进行微调后，虽然提升了定位能力，但仍未达到理想水平。
Test-Time Compositional Generalization in Diffusion Models via Concept Discovery
通过概念发现实现扩散模型中的测试时间组合泛化
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出通过发现时间索引分数几何结构，实现扩散模型在测试时的组合生成，优于传统基线方法。
Comments 9 pages
Muon with Nesterov Momentum: Heavy-Tailed Noise and (Randomized) Inexact Polar Decomposition
Muon与Nesterov动量：重尾噪声与（随机化）近似极分解
机构 * MBZUAI ； Penn State University（宾夕法尼亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Southern California（南加州大学）
AI总结 本文提出Muon算法结合Nesterov动量和近似极分解，针对非凸矩阵优化中的重尾噪声问题，建立了收敛理论并提供了高效随机低秩极分解方法。
Comments 33 pages, 4 figures, 1 table
Kernel Selection is Model Selection: A Unified Complexity-Penalized Approach for MMD Two-Sample Tests
核选择是模型选择：一种统一的复杂性惩罚方法用于MMD两样本检验
机构 * H. Milton Stewart School of Industrial and Systems Engineering（H.米尔顿·斯图尔特工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出CP-MMD方法，通过将核选择建模为模型选择问题，统一处理MMD两样本检验中的复杂性惩罚，实现无网格的连续参数类最大化，提升检验效能并保证无条件I型错误率。
On the Role of Strain and Vorticity in Numerical Integration Error for Flow Matching
关于应变和涡量在流匹配数值积分误差中的作用
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文分析了流匹配中应变和涡量对积分误差的影响，证明应变通过对数范数控制指数误差放大，而涡量仅线性影响局部截断误差，提出加权雅可比正则化方法，实验验证了理论预测，提升了积分精度。
Comments 16 pages, 7 figures. Preliminary version. Includes qualitative CIFAR-10 comparison and supporting synthetic experiments
How Far Are VLMs from Privacy Awareness in the Physical World? An Empirical Study
VLMs在物理世界中离隐私意识还有多远？一项实证研究
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过实证研究揭示VLMs在物理环境中隐私意识的不足，提出ImmersedPrivacy框架评估模型在复杂场景中的隐私感知能力，发现现有模型在感知和隐私冲突处理上存在显著缺陷。
Evaluating Large Language Models in Scientific Discovery
评估大型语言模型在科学发现中的表现
机构 * Deep Principle（深原则） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学） ； Department of Computer Science and Engineering, The Ohio State University（计算机科学与工程系，俄亥俄州立大学） ； Department of Chemical Engineering & Applied Chemistry, University of Toronto（化学工程与应用化学系，多伦多大学） ； Department of Computer Science and Engineering, University of Notre Dame（计算机科学与工程系，圣母大学） ； QuEra Computing Inc.（QuEra计算公司） ； Department of Pathology, Department of Genetics, Cancer Biology Program, Stanford University School of Medicine（病理学系、遗传学系、癌症生物学项目，斯坦福大学医学院） ； Harvard Law School（哈佛法学院） ； Department of Computer Science, Tufts University（计算机科学系，塔夫茨大学） ； 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） ； Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校） ； Department of Computer Science, Virginia Tech（计算机科学系，弗吉尼亚理工大学） ； Department of Physics, Tsinghua University（物理系，清华大学） ； Institute for Advanced Study, Tsinghua University（清华大学高级研究所） ； Laboratory of Artificial Chemical Intelligence, Ecole Polytechnique Federale de Lausanne（人工化学智能实验室，瑞士联邦理工学院）
AI总结 本文提出一个基于场景的基准测试，评估LLM在生物学、化学、材料科学和物理学中的科学发现能力，揭示了模型在科学发现任务中的性能差距和改进方向。
ThinKV: Thought-Adaptive KV Cache Compression for Efficient Reasoning Models
ThinKV: 基于思维适应的KV缓存压缩以提高推理模型效率
机构 * Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Research（NVIDIA研究）
AI总结 本文提出ThinKV，通过混合量化-驱逐策略，根据思维重要性动态调整token精度，减少KV缓存占用，提升推理效率和吞吐量。
Comments ICLR 2026 (Oral)
Are Stochastic Multi-objective Bandits Harder than Single-objective Bandits?
多目标老虎机是否比单目标老虎机更难？
机构 * H. Milton Stewart School of Industrial and Systems Engineering（赫尔曼·米利顿·斯图尔特工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Mechanical and Industrial Engineering University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特机械与工业工程学院）
AI总结 本文探讨多目标老虎机的Pareto后悔与单目标老虎机的关系，提出一种新方法证明多目标问题在Pareto后悔上并不更难，且与单目标问题具有相同最优性。
Comments 21 pages
