Itô maps for any-step SDEs
任意步SDE的Itô映射
机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Kempner Institute（凯门研究所）
AI总结 提出Itô映射，一种任意步随机流映射，通过单次前向传播预测未来状态，实现随机动力学的精确蒸馏，并支持推理时控制和后验采样。
高校专区
Harvard University（哈佛大学）
Tractogram foundation model
TractFM：纤维束图基础模型
机构 * The State Key Lab of Brain-Machine Intelligence, Zhejiang University, Hangzhou（脑机智能国家重点实验室，浙江大学，杭州） ； Department of Radiology, Brigham and Women’s Hospital, Mass General Brigham, Boston（放射科，布里洛妇女医院，马萨诸塞总医院，波士顿） ； Harvard Medical School, Boston（哈佛医学院，波士顿） ； Academy of Medical Engineering and Translational Medicine, Tianjin University, Tianjin（医学工程与转化医学研究院，天津大学，天津） ； School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu（信息与通信工程学院，电子科技大学，成都） ； Psychiatry Neuroimaging Laboratory, Brigham and Women’s Hospital, Mass General Brigham, Boston（精神病神经影像实验室，布里洛妇女医院，马萨诸塞总医院，波士顿） ； Department of Psychiatry, Center for Morphometric Analysis, Massachusetts General Hospital, Boston（精神病科，形态分析中心，马萨诸塞总医院，波士顿）
AI总结 提出TractFM基础模型，直接从全脑纤维束集学习可复用表示，结合局部纤维编码器和置换等变纤维束编码器，通过密集解剖束分割预训练，实现纤维束级和受试者级任务的迁移。
IMPACT: Learning Internal-Model Predictive Control for Forceful Robotic Manipulation
IMPACT：面向强力机器人操控的内部模型预测控制学习
机构 * Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 提出IMPACT框架，将强力操控任务解耦为任务规划和基于内部模型的预测控制，通过仿真和实验证明其在成功率、泛化性、安全性和能效上的优势。
Comments Project website: https://gao-jiawei.com/IMPACT/
Duality for Optimal Multi-Item, Multi-Bidder Auction Design: Revenue Certificates through Deep Learning
最优多物品多竞拍者拍卖设计的对偶性：通过深度学习的收入证书
机构 * Harvard University（哈佛大学） ； College of AI, Tsinghua University（清华大学人工智能学院）
AI总结 提出首个直接处理多物品多竞拍者拍卖对偶问题的计算框架，通过神经网络参数化拉格朗日乘子并引入提升技术，生成可证明的收入上界，为连续类型提供近最优性证书。
Evaluation Cards: An Interpretive Layer for AI Evaluation Reporting
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
Risk Comparisons in Linear Regression: Implicit Regularization Dominates Explicit Regularization
线性回归中的风险比较：隐式正则化主导显式正则化
机构 * University of California, Berkeley（加州大学伯克利分校） ； Alphabetical order ； Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文通过实例比较线性回归中梯度下降、岭回归和随机梯度下降的有限样本风险，发现梯度下降优于岭回归，但与随机梯度下降不可比，且在某些问题中梯度下降可能更差。
Comments Accepted for presentation at the Conference on Learning Theory (COLT) 2026
