高校专区
分布偏移下决策的生成模型
机构 * Department of Mathematics, Duke University（杜克大学数学系） ； H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H. Milton Stewart工业与系统工程学院）
AI总结 本文提出基于流和分数生成模型的统一框架，通过传输映射、速度场等工具处理分布偏移下的决策问题，实现鲁棒性、条件分布生成及不确定性量化。
Comments INFORMS TutORials in Operations Research, 2026
ReLU激活函数如何影响高维神经网络回归中梯度下降的隐式偏差？
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文通过原始-对偶分析，研究了高维随机数据下浅层ReLU模型平方损失梯度下降的隐式偏差，证明其以高概率近似最小ℓ2范数解，差距为Θ(√(n/||λ||₁))。
Comments 66 pages
Bench-Push：基于推动的移动机器人导航与操作任务基准测试
机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院） ； Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学） ； Department of Mechanical Engineering, University of Alberta（机械工程系，阿尔伯塔大学）
AI总结 提出首个统一的推动式移动机器人导航与操作基准Bench-Push，包含多种模拟环境、新评估指标和基线实现，用于解决可移动障碍物环境中的机器人推动任务评估问题。
Comments Published in CRV 2026
网格通常在压缩密集信号方面优于隐式神经表示
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 研究发现，对于密集信号任务，带插值的正则化网格在训练速度和重建质量上优于同等参数量的隐式神经表示，而INR仅在拟合二值信号（如形状轮廓）时表现更优。
Comments Our analysis are available at https://github.com/voilalab/INR-benchmark
性能驱动的多时间尺度学习环境抽象
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
AI总结 针对大规模马尔可夫决策过程，提出一种性能驱动的环境抽象方法，通过多时间尺度强化学习联合优化策略和树结构抽象，平衡性能与复杂度，实现状态压缩和样本效率提升。
用 Toki Pona 检验 Word2Vec 的极限
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文使用仅有约130个单词的人造语言 Toki Pona 训练 Word2Vec，探究词汇量极小时嵌入质量，并分析非核心噪声词的影响。
Comments 10 pages, 4 figures, 3 tables. Accepted to the Society for Computation in Linguistics (SCiL) 2026
ANEForge: 用于直接在Apple Neural Engine上进行计算的Python工具
机构 * School of Computational Science \& Engineering, Georgia Institute of Technology, Atlanta, GA 30332, USA -0.35cm ； Daniel Guggenheim School of Aerospace Engineering, Georgia Institute of Technology, Atlanta, GA 30332, USA -0.35cm ； George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology, Atlanta, GA 30332, USA
AI总结 ANEForge是一个Python包，通过编译惰性张量图直接编程Apple Neural Engine，无需CoreML，支持推理和训练，性能接近引擎硬件极限。
Comments 8 pages
多输入神经算子学习在Sobolev空间中的泛化保证
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Notre Dame（圣母大学） ； Hong Kong Baptist University（香港浸会大学）
AI总结 针对多输入神经算子，在Sobolev范数下建立逼近和泛化误差估计，量化各输入空间对误差界的贡献，并揭示平衡状态下输入维度、正则性和Sobolev阶的相互作用。
平均场薛定谔桥的广义Sinkhorn算法
机构 * Department of Aerospace Engineering, Iowa State University（爱荷华州立大学航空航天工程系） ； School of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院航空航天工程学院）
AI总结 针对平均场薛定谔桥问题，提出广义Hopf-Cole变换并设计Sinkhorn型递归算法求解积分-偏微分方程组，在弱假设下证明收敛性，数值实验验证有效性。
Position: 模块化记忆是持续学习智能体的关键
机构 * University of Bremen（不莱梅大学） ； Seoul National University（首尔国立大学） ； Computer Vision Center Barcelona（巴塞罗那计算机视觉中心） ； University of Florence（佛罗伦萨大学） ； Microsoft Research（微软研究院） ； HEC Montreal, Mila--Quebec AI Institute, Canada CIFAR AI Chair（蒙特利尔HEC学院、魁北克人工智能研究所、加拿大CIFAR人工智能 chair） ； Bielefeld University（比勒海姆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Rochester（罗切斯特大学） ； University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； Nankai University（南开大学） ； LUISS University（卢西亚诺大学） ； Stony Brook University（石溪大学） ； University of Tübingen（图宾根大学） ； University of Trento, FBK（特伦托大学，FBK） ； Tsinghua University（清华大学） ； University of Groningen（Groningen大学）
AI总结 本文提出通过模块化记忆结合权重内学习与上下文学习，解决持续学习中的灾难性遗忘问题，实现大规模持续适应。
Comments ICML 2026 Position Track Spotlight. This work stems from discussions held at the Dagstuhl seminar on Continual Learning in the Era of Foundation Models (October 2025)
先澄清再绘制：面向鲁棒文本到CAD生成的主动式智能体
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）
AI总结 提出主动式智能体框架ProCAD，通过澄清代理在代码生成前解决用户提示中的歧义，再通过CAD编码代理生成可执行程序，显著提升鲁棒性，平均Chamfer距离降低79.9%。
Comments ICML 2026
TuneJury: 一种改进音乐生成偏好对齐的开放指标
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Sony AI（索尼AI） ； Georgia Tech（佐治亚理工学院） ； KAIST（韩国科学技术院） ； Peking University（北京大学） ； QMUL（伦敦玛丽女王大学）
AI总结 提出TuneJury，一个开放、实例级别的成对奖励模型，用于文本到音乐生成，通过预测偏好分数支持数据筛选、后处理校准，并在推理、优化和训练中提升对齐效果。
Comments 32 pages, 9 figures
pFedUL: 面向个性化联邦学习的层感知联邦遗忘
机构 * Saunders College of Business, Rochester Institute of Technology（罗切斯特理工学院商学院） ； School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电子与计算机工程学院）
AI总结 针对个性化联邦学习（pFL）中共享层与个性化层分离带来的遗忘挑战，提出pFedUL框架，通过梯度贡献归因、自适应选择性遗忘和轻量级重校准协议，在保证遗忘效果的同时维持剩余客户97.3%的个性化精度。
Comments This paper has been accepted for publication in CMC-Computers, Materials & Continua
PolyMerge: 用多面体覆盖压缩3D高斯泼溅以实现可证明安全的资源受限导航
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出PolyMerge，将大规模3D高斯泼溅模型转换为凸多面体覆盖，保证覆盖原模型所有障碍物，结合控制障碍函数实现实时安全路径规划，在Crazyflie无人机上验证。
Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 7, pp. 8512-8519, July 2026
PACT: 多轮工具使用智能体的特权轨迹协同训练
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Ohio State University（俄亥俄州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Arizona State University（亚利桑那州立大学）
AI总结 提出PACT框架，通过特权轨迹（专家轨迹）在训练时提供密集监督信号，结合轨迹条件RL和组件感知SFT损失，避免推理时依赖轨迹，显著提升多轮工具使用智能体的性能。
Comments Project page: https://zhenbangdu.github.io/pact-project-page/
从像素到证明：通过并行保形鲁棒MPC实现概率安全的潜在世界模型控制
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出SLS^2框架，结合保形预测与鲁棒模型预测控制，在学习的潜在世界模型中实现基于视觉的安全运动规划，提升目标到达性能与安全性。
EHR基础模型中ICD码的分层建模
机构 * School of Interactive Computing, Georgia Institute of Technology（佐治亚理工学院交互计算学院） ； Optum AI
AI总结 研究利用ICD-10-CM层次结构作为归纳偏置，通过序列增强和图注入两种机制改进EHR表示学习，实验表明显式编码层次结构在域内和跨数据集任务中均优于扁平表示。
MNet++: 用于各向异性医学图像分割的扩展2D/3D网络
机构 * School of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院）
AI总结 本文复现并扩展了混合2D/3D卷积网络MNet，引入自适应融合门控和VMamba状态空间模块，在保持各向异性鲁棒性的同时提升分割性能。
使用AH-多面体的精确、高效且安全的遮挡感知规划
机构 * Honda Research Institute (HRI)（本田研究所） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出APRO框架，利用博弈论主动感知和AH-多面体可达性分析，通过线性规划实现精确安全验证，解决自动驾驶代客泊车中的遮挡问题，达到100%安全率且实时。
Comments 8 pages, 3 figures
Cordyceps: 通过数据投毒对LLM的隐蔽控制攻击
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Cisco Systems（思科系统）
AI总结 提出一种数据投毒方法，通过语义关联教LLM隐藏任意恶意指令，实现隐蔽控制攻击，绕过多种防御。
Comments USENIX Security '26
SkillsBench: 基准测试智能体技能在不同任务中的有效性
机构 * BenchFlow ； OSU ； Amazon ； UC Berkeley ； UC Santa Cruz ； UC Davis ； Dartmouth ； RLWRLD ； Independent ； Princeton University ； Oxford University ； Stanford University ； USC ； CMU ； Foxconn ； Zenity ； UNSW ； UT Austin ； MSU ； Duke University ； ByteDance ； UT Dallas ； UC San Diego ； Columbia University ； University of Rochester ； Cornell Tech ； Georgia Tech ； Cornell University ； NEU ； UCLA ； Snap Inc. ； Fanshawe College ； University of Science and Technology of China ； HKUST(GZ) ； Anyscale
AI总结 提出SkillsBench基准，包含8领域87个任务，通过配对评估证明技能提升平均通过率16.6个百分点，小模型配备技能可匹敌大模型。
EffGen: 使小型语言模型成为能干的自主智能体
机构 * Department of Computer Science, Virginia Tech, Blacksburg, VA, USA（弗吉尼亚理工大学计算机科学系） ； Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院） ； Google DeepMind, USA（谷歌DeepMind）
AI总结 EffGen是一个针对小型语言模型优化的开源智能体框架，通过提示压缩、任务分解、复杂度路由和统一记忆系统，实现高效、安全的本地部署，在13个基准测试中优于LangChain等框架。
Comments Accepted to ICML 2026 Conference
DAL：一种面向分段平稳赌博机的实用无先验黑盒框架
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出检测增强学习（DAL）框架，无需非平稳性先验知识，将任意最优静态赌博机算法与变化检测器结合，在多种非平稳场景下超越现有方法。
Comments 28 pages, 12 figures
面向LLM-Agent工作流中并行分支的直接潜在空间合成
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Meta
AI总结 提出Parallel-Synthesis框架，通过直接利用并行工作代理的KV缓存进行合成，避免文本拼接冗余，在9个数据集上匹配或超越文本合成，并将首令牌延迟降低2.5-11倍。
在应当稀疏处分解，在应当稠密处吸收
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对稀疏自编码器假设所有激活内容均可稀疏分解的缺陷，提出在标准SAE旁添加低秩线性瓶颈以吸收稠密成分，在Gemma-2-2B第12层上秩24瓶颈减少84%稠密潜变量，并揭示该成分是结构可识别、因果必要且被稀疏字典冗余编码的计算脚手架。
无皱鲁棒性：并行仿真与鲁棒MPC实现可认证的变形体操作
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出CORD-SLS实时控制方法，通过GPU并行可微仿真与接触平滑实现高效梯度规划，结合鲁棒模型预测控制与共形预测校准，在绳索和布料操作中达到毫秒级规划与高安全性。
锥优化器的可扩展深度展开
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 提出矩阵自由隐式微分和基于Dalečkii-Krein的PSD锥反向传播规则，解决深度展开应用于大规模半定规划时的内存和数值稳定性问题，实现轻量级超参数策略和热启动学习，在多种问题上取得高达50倍加速。
利用深度学习薛定谔桥改进月球地形
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） ； NASA Goddard Space Flight Center（美国国家航空航天局戈达德太空飞行中心） ； Center for Research and Exploration in Space Science and Technology (CRESST II), University of Maryland, College Park（马里兰大学帕克分校空间科学与技术研究与探索中心（CRESST II）） ； National Institute for Astrophysics (INAF), Astrophysical Observatory of Turin（意大利国家天体物理研究所（INAF）都灵天体物理天文台）
AI总结 提出基于扩散薛定谔桥的生成模型，结合光学影像约束，实现月球地形超分辨率重建，并提供像素级不确定性估计。
Journal ref The Planetary Science Journal 7.6 (2026): 139
让我们问高斯：改进的单次运行隐私审计
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Purdue University（普渡大学）
AI总结 提出一种基于高斯渐近分布的差分隐私审计框架，利用白盒DP-SGD中金丝雀对齐信号的归一化和，从单次训练运行中获取更紧的隐私下界。
提升的Schrödinger桥用于高斯混合端点：投影间隙与路径空间障碍
机构 * Daniel Guggenheim School of Aerospace, Georgia Institute of Technology（丹尼尔·加金吉姆航空航天学院，佐治亚理工学院）
AI总结 针对高斯混合端点分布下的随机密度控制问题，提出一种提升路径空间构造，将问题分解为高斯分量间的显式Schrödinger桥与有限维熵耦合，并分析投影后的标签信息间隙及路径空间障碍。
Comments 35 pages. Submitted to a journal; comments are welcome
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈