Johns Hopkins University（约翰斯·霍普金斯大学）

Neurosymbolic Embodied Agents

神经符号具身智能体

Mohammad Albinhassan, Yuming Feng, Alessandra Russo, Pranava Madhyastha

机构 * Imperial College London（帝国理工学院） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； City, University of London（伦敦城市大学） 纠错

AI总结 该研究提出一种神经符号具身智能体，将长周期家庭任务分解为视觉探索与符号规划，在VirtualHome、ALFWorld基准测试中表现优异，约束与搜索结合可大幅提升任务解决率，且无需专门训练。

SurgVIL: Scaling Surgical Robot Imitation Learning with Open-source Surgical Videos

SurgVIL：利用开源外科视频扩展外科机器人模仿学习

Xinhao Chen, JuoTung Chen, Nigel Nelson, Antony Goldenberg, Jesse Haworth, Sean D. Huver, Axel Krieger

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； NVIDIA（英伟达公司） 纠错

AI总结 SurgVIL框架结合带运动学标签的体模机器人演示与开源外科视频，以弱监督补充运动学标签，在达芬奇机器人任务上提升了策略对真实组织等场景的泛化能力，为外科机器人模仿学习提供了可扩展方案。

MoE Router-Guided Clustering for Heterogeneous Federated Instruction Tuning

面向异构联邦指令微调的MoE路由器引导聚类

Ankita Sharma, Bahar Farahani, Sanaz Rahimi Moosavi, Amir Rrahmani, Farshad Firouzi, Krishnendu Chakrabarty

机构 * California State University, Dominguez Hills（加州州立大学多明戈斯山分校） ； University of California, Irvine（加州大学欧文分校） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； Arizona State University（亚利桑那州立大学） 纠错

AI总结 该研究提出ClientMorpher框架，通过MoE路由特征设计两种聚类策略，在Databricks Dolly-15K数据集上验证其可提升联邦指令微调的个性化性能，且通信成本与传统方法相当。

Generative Learning of Separatrices

分界面的生成式学习

Ellis R. Crabtree, Dimitris G. Giovanis, Anastasia Georgiou, George Datseris, Ioannis G. Kevrekidis

机构 * Johns Hopkins All Children’s Hospital（约翰斯·霍普金斯儿童全医院） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Exeter（埃克塞特大学） 纠错

AI总结 该研究提出结合监督分类与生成式建模的框架，通过神经网络分类器识别高不确定性区域作为初步分界面，再用基于分数的生成式模型采样，实现多稳态高维动力系统分界面的经验一致重构。

Comments 15 pages, 8 figures