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

From Human-Level AI Tales to AI Leveling Human Scales

从人类水平AI故事到AI人类尺度

Peter Romero, Fernando Martínez-Plumed, Zachary R. Tidler, Matthieu Téhénan, Sipeng Chen, Álvaro David Gómez Antón, Luning Sun, Manuel Cebrian, Lexin Zhou, Yael Moros Daval, Daniel Romero-Alvarado, Félix Martí Pérez, Kevin Wei, José Hernández-Orallo

机构 * Valencian Research Institute of Artificial Intelligence, Universitat Politècnica de València（瓦伦西亚人工智能研究所，瓦伦西亚理工大学） ； Leverhulme Centre for the Future of Intelligence, University of Cambridge（勒弗休姆未来智能中心，剑桥大学） ； The Psychometrics Centre, University of Cambridge（心理测量中心，剑桥大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Center for Automation and Robotics, Spanish National Research Council（自动化与机器人中心，西班牙国家研究委员会） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Cambridge, Department of Computer Sciences and Technology（剑桥大学计算机科学与技术系） 纠错

AI总结 本文提出一种框架，通过校准项目以'世界人口'为基准，建立人类锚定的共同尺度，以更准确评估AI能力。

Comments 23 pages, 10 figures. submitted to ICML 2026

FinCriticalED: A Visual Benchmark for Financial Fact-Level OCR

FinCriticalED：一个用于金融事实级OCR的视觉基准

Yueru He, Xueqing Peng, Yupeng Cao, Yan Wang, Lingfei Qian, Haohang Li, Yi Han, Shuyao Wang, Ruoyu Xiang, Fan Zhang, Zhuohan Xie, Mingquan Lin, Prayag Tiwari, Jimin Huang, Guojun Xiong, Sophia Ananiadou

机构 * Columbia University（哥伦比亚大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Georgia Institute of Technology（佐治亚理工学院） ； New York University（纽约大学） ； University of Minnesota（明尼苏达大学） ； Halmstad University（哈尔姆斯塔德大学） ； Harvard University（哈佛大学） ； University of Manchester（曼彻斯特大学） 纠错

AI总结 本文提出FinCriticalED基准，用于评估OCR和视觉语言模型在金融关键证据上的保真度，发现数值和货币单位是最脆弱的事实类型，揭示了词汇准确性和事实可靠性之间的差距。

Comments Xueqing Peng: Corresponding-Author

RAVEN: Radar Adaptive Vision Encoders for Efficient Chirp-wise Object Detection and Segmentation

RAVEN：用于高效脉冲波束成像的雷达自适应视觉编码器

Anuvab Sen, Mir Sayeed Mohammad, Saibal Mukhopadhyay

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

AI总结 RAVEN通过高效处理雷达数据实现目标检测和分割，采用自适应编码和早退出机制提升效率，减少计算量和延迟。

Comments CVPR submission / conference paper

Journal ref Computer Vision and Pattern Recognition Conference 2026

Primal-Dual Methods for Nonsmooth Nonconvex Optimization with Orthogonality Constraints

非光滑非凸优化中正交约束的对偶方法

Linglingzhi Zhu, Wentao Ding, Shangyuan Liu, Anthony Man-Cho So

机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程系） ； Department of Systems Engineering and Engineering Management, The Chinese University of Hong Kong（香港中文大学系统工程与工程管理系） 纠错

AI总结 本文提出一种无退化对偶方法，用于解决具有正交约束的非光滑非凸优化问题，方法单循环且无需求解子问题，具有O(ε^{-3})的迭代复杂度，并通过数值实验验证其高效性。

Learning Sampled-data Control for Swarms via MeanFlow

通过MeanFlow学习采样数据控制群体

Anqi Dong, Yongxin Chen, Karl H. Johansson, Johan Karlsson

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出基于MeanFlow的采样数据学习框架，用于大规模群体控制，通过有限时间系数和局部桥接监督信号实现高效学习，保证控制器符合线性时不变动力学。

CATNet: A geometric deep learning approach for CAT bond spread prediction in the primary market

CATNet：一种用于初级市场CAT债券溢价预测的几何深度学习方法

Dixon Domfeh, Saeid Safarveisi

机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院） ； Actuarial Research Group, AFI, Faculty of Economics and Business, KU Leuven（鲁汶大学经济与商业学院AFI精算研究组） 纠错

AI总结 CATNet通过几何深度学习方法，利用图结构建模CAT债券市场，提升预测性能并揭示网络特性对价格的影响。

Leveraging ASIC AI Chips for Homomorphic Encryption

利用ASIC AI芯片进行同态加密

Jianming Tong, Tianhao Huang, Jingtian Dang, Leo de Castro, Anirudh Itagi, Anupam Golder, Asra Ali, Jeremy Kun, Jevin Jiang, Arvind, G. Edward Suh, Tushar Krishna

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Google（谷歌） ； NVIDIA（英伟达） ； Cornell University（康奈尔大学） 纠错

AI总结 本文探讨利用现有AI加速器如Google的TPU，通过CROSS编译器框架实现同态加密的高效能，解决GPU架构与同态加密算法的不匹配问题，提升能效。

Comments IEEE International Symposium on High-Performance Computer Architecture (HPCA) 2026; 18 pages, 16 figures, 5 algorithms, 10 tables. Leveraging Google TPUs for Homomorphic Encryption

Journal ref 2026 IEEE Symposium on High-Performance Computer Architecture

AdaptFuse: Training-Free Sequential Preference Learning via Externalized Bayesian Inference

AdaptFuse：通过外部化贝叶斯推断实现无需训练的序列偏好学习

Fangzhou Lin, Peiran Li, Shuo Xing, Siyuan Yang, Qianwen Ge, Kazunori Yamada, Ziming Zhang, Haichong Zhang, Zhengzhong Tu

机构 * Texas A&M University（德克萨斯农工大学） ； Worcester Polytechnic Institute（伍斯特理工学院） ； Tohoku University（东北大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 AdaptFuse通过外部化贝叶斯推断实现无需训练的序列偏好学习，利用符号模块和冻结LLM结合熵自适应融合，提升推荐系统性能，无需敏感用户数据训练。

Comments 20 pages, 4 figures, 5 tables

Explainable Model Routing for Agentic Workflows

可解释的模型路由用于代理工作流

Mika Okamoto, Ansel Kaplan Erol, Mark Riedl

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

AI总结 本文提出Topaz框架，通过引入可审计性提升代理路由的可解释性，解决模型选择中的成本与性能权衡问题。

Comments ACM CHI 2026 Human-Centered Explainable AI (HCXAI) Workshop (Spotlight)

The Geometry of Robustness: Optimizing Loss Landscape Curvature and Feature Manifold Alignment for Robust Finetuning of Vision-Language Models

鲁棒性几何：优化损失景观曲率和特征流形对齐以增强视觉-语言模型的鲁棒微调

Shivang Chopra, Shaunak Halbe, Chengyue Huang, Brisa Maneechotesuwan, Zsolt Kira

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

AI总结 本文提出GRACE框架，通过联合调节参数空间曲率和特征空间不变性，提升视觉-语言模型在分布内准确率、分布外泛化和对抗鲁棒性之间的平衡，实验显示在ImageNet微调中ID准确率提升10.8%，对抗准确率提升13.5%。

KindSleep: Knowledge-Informed Diagnosis of Obstructive Sleep Apnea from Oximetry

KindSleep：基于血氧数据的阻塞性睡眠呼吸暂停诊断

Micky C Nnamdi, Wenqi Shi, Cheng Wan, J. Ben Tamo, Benjamin M Smith, Chad A Purnell, May D Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； UT Southwestern Medical Center（德克萨斯大学西南医学中心） 纠错

AI总结 KindSleep利用深度学习整合临床知识与单通道血氧数据，实现精准的阻塞性睡眠呼吸暂停诊断，其在不同人群中均优于现有方法。

Distributed Event-Triggered Distance-Based Formation Control for Multi-Agent Systems

分布式事件触发的距离基形成控制多智能体系统

Evangelos Psomiadis, Panagiotis Tsiotras

机构 * D. Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院古根海姆航空航天工程学院） 纠错

AI总结 本文提出一种分布式事件触发的非线性形成控制器，通过距离测量实现多智能体系统的协同形成控制，减少控制更新并保证碰撞避免。

Comments 6 pages, 5 figures

An Independent Safety Evaluation of Kimi K2.5

Kimi K2.5 的独立安全性评估

Zheng-Xin Yong, Parv Mahajan, Andy Wang, Ida Caspary, Yernat Yestekov, Zora Che, Mosh Levy, Elle Najt, Dennis Murphy, Prashant Kulkarni, Lev McKinney, Kei Nishimura-Gasparian, Ram Potham, Aengus Lynch, Michael L. Chen

机构 * Constellation ； Anthropic Fellows Program（Anthropic研究员项目） ； Brown University（布朗大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Imperial College London（伦敦帝国学院） ； University of Maryland, College Park（马里兰大学帕克分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Bar Ilan University（巴伊兰大学） ； University of Toronto（多伦多大学） ； University of Oxford（牛津大学） 纠错

AI总结 Kimi K2.5作为开源大模型，在安全评估中显示出潜在风险，包括CBRNE滥用、网络安全漏洞及政治偏见，但其在拒绝恶意请求方面表现较弱，凸显开源模型的安全挑战。

Synapse: Evolving Job-Person Fit with Explainable Two-phase Retrieval and LLM-guided Genetic Resume Optimization

Synapse：通过可解释的双阶段检索和LLM引导的遗传简历优化实现就业-个人匹配

Ansel Kaplan Erol, Seohee Yoon, Keenan Hom, Xisheng Zhang

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

AI总结 Synapse通过双阶段检索和遗传优化提升招聘推荐系统，解决信息不平衡问题，提高推荐精度和透明度，实验显示nDCG@10提升22%。

Guideline2Graph: Profile-Aware Multimodal Parsing for Executable Clinical Decision Graphs

Guideline2Graph：面向可执行临床决策图的多模态解析

Onur Selim Kilic, Yeti Z. Gurbuz, Cem O. Yaldiz, Afra Nawar, Etrit Haxholli, Ogul Can, Eli Waxman

机构 * Georgia Institute of Technology（佐治亚理工学院） ； MetaDialog ； Infuse Inc（Infuse公司） 纠错

AI总结 本文提出一种多模态解析方法，通过拓扑感知分块、接口约束分块生成和溯源保留的全局聚合，将完整指南证据转换为可执行临床决策支持图。实验表明，该方法在前列腺指南基准上显著提升了精度和召回率。

On the Extreme Variance of Certified Local Robustness Across Model Seeds

关于模型种子下认证局部鲁棒性极值方差的研究

Minh Le, Phuong Cao

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究揭示了训练种子差异导致认证鲁棒性极值方差显著，质疑了验证结果的可靠性，并呼吁增加置信区间报告和更全面的验证方法。

ClinicalReTrial: Clinical Trial Redesign with Self-Evolving Agents

临床试验重设计：具有自进化代理的临床试验重设计

Sixue Xing, Kerui Wu, Xuanye Xia, Meng Jiang, Jintai Chen, Tianfan Fu

机构 * University of Notre Dame（圣母大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanjing University（南京大学） 纠错

AI总结 本文提出ClinicalReTrial系统，通过自进化代理对临床试验协议进行迭代重设计，提升成功率并降低成本。

ARMOR: High-Performance Semi-Structured Pruning via Adaptive Matrix Factorization

ARMOR：通过自适应矩阵分解实现高性能半结构化剪枝

Lawrence Liu, Alexander Liu, Mengdi Wang, Tuo Zhao, Lin F. Yang

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 ARMOR通过自适应矩阵分解技术，实现高效的半结构化剪枝，保留模型质量的同时提升压缩效率和任务准确性。

Comments ICLR 2026, code: https://github.com/LawrenceRLiu/ARMOR

Are Statistical Methods Obsolete in the Era of Deep Learning? A Study of ODE Inverse Problems

在深度学习时代，统计方法是否已过时？对微分方程反问题的研究

Skyler Wu, Shihao Yang, S. C. Kou

机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） 纠错

AI总结 本文通过SEIR和洛伦茨模型案例表明，统计方法在稀疏噪声数据下仍具优势，能以更少参数和超参数调优实现更低偏差和方差，且在无相关数据的外推预测中表现更优。

Comments 35 pages, 11 figures (main text)

Impact of Multimodal and Conversational AI on Learning Outcomes and Experience

多模态和对话式AI对学习成果和体验的影响

Karan Taneja, Anjali Singh, Ashok K. Goel

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本研究比较了三种生物学学习方法，发现多模态对话式AI在学习成果和体验上表现最佳，但文本仅对话式AI虽易用但效果最差，揭示了认知负荷理论下的学习效果与感知之间的差异。

Comments 16 pages, 3 figures, Accepted to AIED 2026 (Seoul, South Korea)

Does Your Optimizer Care How You Normalize? Normalization-Optimizer Coupling in LLM Training

你的优化器是否在意你如何归一化？LLM训练中的归一化-优化器耦合

Abdelrahman Abouzeid

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

AI总结 研究发现归一化层与优化器在LLM训练中存在交互影响，动态Erf在Muon优化器下表现下降，通过调整参数可恢复性能，揭示归一化方法对优化器的敏感性。

Comments 16 pages, 8 figures. Preprint. Under review

A Role-Based LLM Framework for Structured Information Extraction from Healthy Food Policies

基于角色的LLM框架用于从健康食品政策中提取结构化信息

Congjing Zhang, Ruoxuan Bao, Jingyu Li, Yoav Ackerman, Shuai Huang, Yanfang Su

机构 * University of Washington（华盛顿大学） ； Shanghai University（上海大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出基于角色的LLM框架，通过分配专门角色提升健康食品政策信息提取的准确性与透明度，对比零样本、少样本和推理链基线，展现更优的复杂推理能力。

A Self-Improving Architecture for Dynamic Safety in Large Language Models

为大语言模型动态安全设计的自改进架构

Tyler Slater

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

AI总结 本文提出自改进安全框架SISF，通过反馈循环实现LLM系统在运行时自动检测安全故障并生成防御策略，实验显示其能有效降低攻击成功率，提升系统鲁棒性。

Comments Under review at the journal Information and Software Technology (Special Issue on Software Architecture for AI-Driven Systems)

Power-scaled Bayesian Inference with Score-based Generative Models

基于分数缩放的贝叶斯推断与分数基于生成模型

Huseyin Tuna Erdinc, Yunlin Zeng, Abhinav Prakash Gahlot, Felix J. Herrmann

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

AI总结 本文提出了一种基于分数缩放的生成算法，用于在贝叶斯推断框架中从先验和似然的分数缩放中采样。该算法允许灵活控制先验-似然的影响，而无需重新训练。通过实验评估了不同设置下功率参数变化的影响，证明了增加似然功率可提高后验样本与条件数据的一致性。

Comments 8 pages, 4 figures

Journal ref Fifth International Meeting for Applied Geoscience & Energy, 44, 21-25 (2025)

BAT: Balancing Agility and Stability via Online Policy Switching for Long-Horizon Whole-Body Humanoid Control

BAT：通过在线策略切换平衡敏捷性与稳定性以实现长周期全身人形控制

Donghoon Baek, Sang-Hun Kim, Sehoon Ha

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Samsung Research（三星研究院） 纠错

AI总结 本文提出BAT框架，通过在线策略切换平衡敏捷性与稳定性，实现长周期全身人形控制，实验表明其在多样任务中优于现有方法。

Spatial Reasoning is Not a Free Lunch: A Controlled Study on LLaVA

空间推理并非免费午餐：对LLaVA的受控研究

Nahid Alam, Leema Krishna Murali, Siddhant Bharadwaj, Patrick Liu, Timothy Chung, Drishti Sharma, Akshata A., Kranthi Kiran, Wesley Tam, Bala Krishna S Vegesna

机构 * Cohere Labs Community（Cohere Labs社区） ； Indian Institute of Science, Bangalore（印度科学研究所班加罗尔分校） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Imperial College London（伦敦帝国学院） ； Eisai Inc.（卫材公司） ； EleutherAI ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文通过LLaVA框架探讨了空间推理能力不足的原因，发现图像编码器设计和位置编码结构对空间理解有显著影响，但无法完全解决空间推理问题。

Comments Accepted as a poster at ICLR 2026 workshop ICBINB, typo fixed

High Probability Complexity Bounds of Trust-Region Stochastic Sequential Quadratic Programming with Heavy-Tailed Noise

信任区域随机序列二次规划的高概率复杂度界限

Yuchen Fang, Javad Lavaei, Sen Na

机构 * University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出了一种信任区域随机序列二次规划方法，针对具有随机目标和确定性等式约束的非线性优化问题，建立了高概率迭代复杂度界限，以识别一阶和二阶ε-驻点，尤其在处理重尾噪声时扩展了二阶驻点分析。

Comments 66 pages, 7 figures

SAGE: Subsurface AI-driven Geostatistical Extraction with proxy posterior

SAGE：基于代理后验的子表面人工智能驱动地质统计提取

Huseyin Tuna Erdinc, Ipsita Bhar, Rafael Orozco, Thales Souza, Felix J. Herrmann

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Oxy（西方石油公司） ； Huber Engineered Materials（胡贝尔工程材料公司） 纠错

AI总结 SAGE通过稀疏井测和迁移地震图像生成地质合理的子表面速度模型，利用代理后验分布提高效率和准确性，适用于地震成像和反演。

Comments 7 pages, 4 figures

Omni-MMSI: Toward Identity-attributed Social Interaction Understanding

Omni-MMSI：迈向基于身份的社会互动理解

Xinpeng Li, Bolin Lai, Hardy Chen, Shijian Deng, Cihang Xie, Yuyin Zhou, James Matthew Rehg, Yapeng Tian

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出Omni-MMSI任务，要求从原始音频、视觉和语音输入中全面理解社会互动，通过身份属性的社会线索识别与推理，提升AI助手对人类互动的感知与响应能力。

Comments Accepted to CVPR 2026. Project page: https://sampson-lee.github.io/omni-mmsi-project-page

Finite-Time Analysis of Projected Two-Time-Scale Stochastic Approximation

投影双时间尺度随机逼近的有限时间分析

Yitao Bai, Thinh T. Doan, Justin Romberg

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Georgia Tech（佐治亚理工学院） 纠错

AI总结 本文研究了具有固定步长和Polyak-Ruppert平均的投影线性双时间尺度随机逼近的有限时间收敛性，推导出均方误差界，并将其分解为子空间约束误差和统计误差两部分。

Comments 6 pages, 3 figures