Harvard University（哈佛大学）

Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning

门控QKAN-FWP：可扩展的量子启发序列学习

Kuo-Chung Peng, Samuel Yen-Chi Chen, Jiun-Cheng Jiang, Chen-Yu Liu, En-Jui Kuo, Yun-Yuan Wang, Prayag Tiwari, Andrea Ceschini, Chi-Sheng Chen, Yu-Chao Hsu, Chun-Hua Lin, Tai-Yue Li, Antonello Rosato, Massimo Panella, Simon See, Saif Al-Kuwari, Kuan-Cheng Chen, Nan-Yow Chen, Hsi-Sheng Goan

机构 * Department of Physics and Center for Theoretical Physics, National Taiwan University（物理系与理论物理中心，国立台湾大学） ； National Center for High-Performance Computing, National Institutes of Applied Research（高性能计算国家中心，应用研究国家机构） ； Wells Fargo, New York, NY, USA（摩根大通银行，纽约，纽约州，美国） ； NVIDIA AI Technology Center, NVIDIA Corp., Taipei, Taiwan（NVIDIA AI技术中心，NVIDIA公司，台北，台湾） ； Center for Quantum Science and Engineering, National Taiwan University（量子科学与工程中心，国立台湾大学） ； Graduate Institute of Applied Physics, National Taiwan University（应用物理研究所，国立台湾大学） ； Department of Electrophysics, National Yang Ming Chiao Tung University（电子物理系，国立阳明交通大学） ； School of Information Technology, Halmstad University（信息科技学院，哈尔姆斯塔德大学） ； Department of Information Engineering, Electronics and Telecommunications (DIET), University of Rome “La Sapienza”, Rome, Italy（信息工程、电子与电信系（DIET），罗马“拉·索拉维亚”大学，罗马，意大利） ； Beth Israel Deaconess Medical Center & Harvard Medical School（贝瑟尔以色列德acons医疗中心及哈佛医学院） ； Cross College Elite Program, National Cheng Kung University（跨学院精英计划，国立成功大学） 纠错

AI总结 提出门控QKAN-FWP框架，融合快速权重编程与量子启发KAN，使用单量子比特数据重上传电路作为非线性激活，引入标量门控更新规则，在时间序列基准、MiniGrid强化学习和太阳周期预测中优于经典循环模型，并在NISQ设备上验证了可行性。

Comments 46 pages, 13 figures, 10 tables

Haiku to Opus in Just 10 bits: LLMs Unlock Large Compression Gains

仅用10比特从俳句到巨作：LLMs解锁巨大压缩增益

Roy Rinberg, Annabelle Michael Carrell, Simon Henniger, Nicholas Carlini, Keri Warr

机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； Anthropic 纠错

AI总结 研究LLM生成文本的无损和有损压缩，提出问答压缩（QA）交互协议，用少量二进制问题实现超100倍压缩比，高效传递知识。

Token Reduction Should Go Beyond Efficiency in Generative Models -- From Vision, Language to Multimodality

Token缩减应超越生成模型中的效率——从视觉、语言到多模态

Zhenglun Kong, Yize Li, Fanhu Zeng, Lei Xin, Shvat Messica, Xue Lin, Pu Zhao, Manolis Kellis, Hao Tang, Marinka Zitnik

机构 * Harvard University（哈佛大学） ； Northeastern University（东北大学） ； CAS（中国科学院） ； Wuhan University（武汉大学） ； MIT（麻省理工学院） ； Peking University（北京大学） 纠错

AI总结 本文提出Token缩减应超越传统效率优化，成为生成模型的基础原则，通过减少冗余token来促进多模态融合、缓解幻觉、维持长输入连贯性并提升训练稳定性。

Comments Project page: https://github.com/ZLKong/Awesome-Collection-Token-Reduction

Explainable deep learning improves human mental models of self-driving cars

可解释深度学习提升人类对自动驾驶汽车的心理模型

Eoin M. Kenny, Akshay Dharmavaram, Sang Uk Lee, Tung Phan-Minh, Shreyas Rajesh, Yunqing Hu, Laura Major, Momchil S. Tomov, Julie A. Shah

机构 * Computer Science & Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院） ； Motional AD Inc.（Motional AD公司） ； Department of Psychology and Center for Brain Science, Harvard University（心理学系和大脑科学中心，哈佛大学） ； Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空与宇航系，麻省理工学院） 纠错

AI总结 提出概念包装网络（CW-Net），在真实自动驾驶车上实现可解释规划，通过因果性概念解释提升驾驶员对车辆行为的预测能力，尤其在意外场景中。

Comments MST & JAS contributed equally to this work

Agentic Reinforcement Learning for Search Misaligns Instruction-Tuning

用于搜索的智能体强化学习使指令微调对齐失效

Yushi Yang, Shreyansh Padarha, Sarah Ball, Andrew Lee, Adam Mahdi

机构 * University of Oxford（牛津大学） ； Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学） ； Harvard University（哈佛大学） 纠错

AI总结 研究智能体强化学习（RL）对指令微调模型对齐的影响，发现RL训练使模型将有害请求转化为良性搜索查询，但在触发条件下产生多步不安全搜索行为，并提出了基于表示引导的RL训练方法恢复对齐。

INFER : Learning Implicit Neural Frequency Response Fields for Confined Car Cabin

INFER：学习受限汽车座舱的隐式神经频率响应场

Harshvardhan C. Takawale, Nirupam Roy, Phil Brown

机构 * Harvard University（哈佛大学） ； University of Cambridge（剑桥大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出INFER框架，通过频域神经隐式模型联合学习源和接收器位置、方向下的复值频率响应场，引入端到端前向模型、感知谱监督和Kramers-Kronig约束，在汽车座舱数据上显著降低幅度和相位重建误差。

Optimizing Health Coverage in Ethiopia: A Learning-augmented Approach and Persistent Proportionality Under an Online Budget

优化埃塞俄比亚的健康覆盖：一种学习增强的方法与在线预算下的持续比例性

Davin Choo, Yohai Trabelsi, Fentabil Getnet, Samson Warkaye Lamma, Wondesen Nigatu, Kasahun Sime, Lisa Matay, Milind Tambe, Stéphane Verguet

机构 * John A. Paulson School of Engineering and Applied Sciences（约翰·A·保罗森工程与应用科学学院） ； Harvard University（哈佛大学） ； National Data Management and Analytics Center for Health（健康国家数据管理与分析中心） ； Ethiopian Public Health Institute（埃塞俄比亚公共卫生研究所） ； Ministry of Health, Ethiopia（埃塞俄比亚卫生部） ； Department of Global Health and Population（全球卫生与人口部门） ； Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院） 纠错

AI总结 针对埃塞俄比亚卫生系统强化中的预算不确定性和区域比例目标，提出基于学习增强和贪心算法的顺序设施规划框架，最大化人口覆盖。

Comments Published in the AISI track at AAAI 2026