The University of Hong Kong（香港大学）

RAE-AR: Taming Autoregressive Models with Representation Autoencoders

RAE-AR：通过表示自编码器驯服自回归模型

Hu Yu, Hang Xu, Jie Huang, Zeyue Xue, Haoyang Huang, Nan Duan, Feng Zhao

机构 * University of Science and Technology of China（中国科学技术大学） ； JD Explore Academy（京东探索研究院） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文研究了将高维表示自编码器融入自回归模型中的挑战，提出RAE-AR方法，通过分布归一化和噪声注入缓解复杂分布建模和训练-推理差距问题，实验证明其在自回归模型中表现接近传统VAE。

Do Phone-Use Agents Respect Your Privacy?

手机使用代理是否尊重您的隐私？

Zhengyang Tang, Ke Ji, Xidong Wang, Zihan Ye, Xinyuan Wang, Yiduo Guo, Ziniu Li, Chenxin Li, Jingyuan Hu, Shunian Chen, Tongxu Luo, Jiaxi Bi, Zeyu Qin, Shaobo Wang, Xin Lai, Pengyuan Lyu, Junyi Li, Can Xu, Chengquan Zhang, Han Hu, Ming Yan, Benyou Wang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Shanghai Jiao Tong University（上海交通大学） ； Hunyuan Team, Tencent（腾讯混元团队） 纠错

AI总结 研究手机使用代理在完成良性移动任务时是否尊重隐私，通过MyPhoneBench框架评估隐私行为，发现任务成功率、隐私合规完成和后续会话偏好使用是不同能力，无单一模型主导。

Comments work in progress

EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents

EmbodMocap: 野外4D人体-场景重建用于具身智能体

Wenjia Wang, Liang Pan, Huaijin Pi, Yuke Lou, Xuqian Ren, Yifan Wu, Zhouyingcheng Liao, Lei Yang, Rishabh Dabral, Christian Theobalt, Taku Komura

机构 * The University of Hong Kong（香港大学） ； Tampere University（坦佩雷大学） ； The Chinese University of Hong Kong（香港中文大学） ； Max-Planck Institute for Informatics（马克斯·普朗克信息学研究所） 纠错

AI总结 本文提出EmbodMocap，利用两部移动iPhone实现低成本、便携式的人体-场景重建，通过联合校准双RGB-D序列，在无静态相机和标记的情况下实现日常环境中的度量尺度和场景一致的重建，提升具身智能研究。

Ratio Covers of Convex Sets and Optimal Mixture Density Estimation

凸集的比率覆盖与最优混合密度估计

Spencer Compton, Gábor Lugosi, Jaouad Mourtada, Jian Qian, Nikita Zhivotovskiy

机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Economics and Business, Pompeu Fabra University, Barcelona, Spain（庞培法布拉大学经济与商业系） ； ICREA, Barcelona, Spain（巴塞罗那ICREA） ； Barcelona Graduate School of Economics（巴塞罗那经济学研究生院） ； Department of Statistics, CREST/ENSAE Paris, Palaiseau, France（CREST/ENSAE巴黎统计系） ； Department of AI and Data Science, The University of Hong Kong（香港大学人工智能与数据科学系） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计系） 纠错

AI总结 本文研究了基于Kullback-Leibler散度的密度估计问题，提出在有限密度字典下，通过凸集覆盖理论和混合密度估计方法，获得最优的高概率保证，改进了传统密度比有界时的估计率。

Comments 47 pages