Harvard University（哈佛大学）

World Action Planner: Generalizable Decision-Making with Action-Conditioned World Models

世界动作规划器：基于动作条件世界模型的通用决策方法

Xiangcheng Zhang, Yilun Du

机构 * Harvard University（哈佛大学） 纠错

AI总结 本研究提出World Action Planner机器人规划系统，结合VLMs与多任务位姿图像条件世界模型，可迭代优化动作规划，在组合任务、新布局等场景中泛化性能优于VLAs、WAMs等端到端策略模型。

Comments Project page at worldactionplanner.github.io

Train Small, Deploy Large: Zero-Shot GNN Transfer Through Geometric Renormalization

小训练，大部署：通过几何重归一化实现零样本GNN迁移

Robert Jankowski, Pedro Almagro-Blanco, Marián Boguñá, Melanie Weber, M. Ángeles Serrano

机构 * TU Delft（代尔夫特理工大学） ； University of Seville（塞维利亚大学） ； University of Barcelona（巴塞罗那大学） ； Harvard University（哈佛大学） ； ICREA（加泰罗尼亚研究与高级研究院） 纠错

AI总结 该研究提出零样本迁移协议，通过几何重归一化缩小图训练GNN，可直接将权重迁移到全分辨率图，保留预测性能并降低训练成本，为尺度等变图架构提供了方向。

Reinforcement Learning on Cost-Constrained Quadrupedal Hardware

成本受限四足硬件上的强化学习

Javier C. Weddington, Bence P. Ölveczky, Stephen A. Baccus

机构 * Stanford University（斯坦福大学） ； Harvard University（哈佛大学） ； Stanford University School of Medicine（斯坦福大学医学院） 纠错

AI总结 该研究针对低成本四足硬件的仿真-现实差距，采用生物启发方法，结合延迟前向模型与时间感知神经网络，学习到鲁棒CPG，实现了成本受限硬件上的强化学习控制。

Comments Sim-to-real transfer, locomotion, reinforcement learning, central pattern generator

Procedural Fairness in Multi-Agent Bandits

多智能体老虎机中的程序公平性

Joshua Caiata, Carter Blair, Kate Larson

机构 * University of Waterloo（滑铁卢大学） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出程序公平性作为多智能体老虎机中的公平性目标，强调平等决策权和结果比例性，证明不同公平性观念优先不同价值观，主张加强程序公平性研究。

When unlearning is free: leveraging low influence points to reduce computational costs

当删除变得免费：利用低影响点以减少计算成本

Anat Kleiman, Robert Fisher, Ben Deaner, Udi Wieder

机构 * Harvard University（哈佛大学） ； Kempner Institute（凯普纳研究所） ； University College London（伦敦大学学院） ； Apple（苹果公司） 纠错

AI总结 本文提出了一种高效删除框架，通过识别低影响点减少计算成本，提升删除效率。