Korea Advanced Institute of Science and Technology（韩国科学技术院）

RelAgent: LLM Agents as Data Scientists for Relational Learning

RelAgent：基于LLM的数据科学家用于关系学习

Xingyue Huang, Louis Tichelman, Jinwoo Kim, Krzysztof Olejniczak, İsmail İlkan Ceylan

机构 * University of Oxford（牛津大学） ； TU Wien（维也纳技术大学） ； AITHYRA（AITHYRA研究所） ； KAIST（韩国科学技术院） 纠错

AI总结 RelAgent是一种基于LLM的关系学习自主数据科学家，通过两阶段流程构建SQL特征程序并选择预测模型，最终通过SQL查询和经典模型实现快速、确定性和可解释的预测。

Drifting Field Policy: A One-Step Generative Policy via Wasserstein Gradient Flow

漂移场策略：一种基于Wasserstein梯度流的一步生成策略

Juil Koo, Mingue Park, Jiwon Choi, Yunhong Min, Minhyuk Sung

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出漂移场策略（DFP），一种基于漂移模型范式的非ODE一步生成策略，通过Wasserstein-2梯度流逆KL更新软目标策略，实现概率空间中的梯度步进，提升漂移骨干的性能，在多个操控任务中取得最佳表现。

Flock: A Knowledge Graph Foundation Model via Learning on Random Walks

Flock：通过在随机游走上学习的知识图谱基础模型

Jinwoo Kim, Xingyue Huang, Krzysztof Olejniczak, Kyungbin Min, Michael Bronstein, Seunghoon Hong, İsmail İlkan Ceylan

机构 * KAIST（韩国科学技术院） ； University of Oxford（牛津大学） ； TU Wien（维也纳技术大学） ； AITHYRA 纠错

AI总结 Flock通过在随机游走上学习，实现知识图谱的零样本链接预测，解决了传统方法在区分结构相似但语义不同的关系时的限制，展示了强大的泛化能力。

Comments 42 pages, 7 figures

Causal Unsupervised Semantic Segmentation

因果无监督语义分割

Junho Kim, Byung-Kwan Lee, Yong Man Ro

机构 * School of Electrical Engineering（电气工程学院） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 本文提出CAUSE框架，通过因果推理方法解决无监督语义分割中概念聚类层次确定问题，实现像素级分组，并在多个数据集上取得最佳性能。

Comments code available: https://github.com/ByungKwanLee/Causal-Unsupervised-Segmentation

Journal ref Pattern Recognition, Volume 171, Part B, 112173 (2026)

LENS: Low-Frequency Eigen Noise Shaping for Efficient Diffusion Sampling

LENS：低频特征噪声塑造用于高效扩散采样

Haewon Jeon, Si-Hyeon Lee

机构 * School of Electrical Engineering（电气工程学院） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

AI总结 本文提出LENS方法，通过在低维子空间中高效调节噪声，提升扩散采样效率，减少计算量和参数，同时保持图像质量。

Comments 27 pages, 7 figures

Reformulating KV Cache Eviction Problem for Long-Context LLM Inference

为长上下文LLM推理重构KV缓存淘汰问题

Tho Mai, Joo-Young Kim

机构 * KAIST（韩国科学技术院） 纠错

AI总结 本文提出一种基于输出的分层矩阵乘法近似方法，通过LaProx策略量化token贡献并考虑跨头依赖，实验表明在仅使用5%的KV缓存时保持性能并优于现有方法。

R-GTD: A Geometric Analysis of Gradient Temporal-Difference Learning in Singular Regimes

R-GTD：梯度时间差学习在奇异情形下的几何分析

Hyunjun Na, Donghwan Lee

机构 * School of Electrical Engineering, KAIST（韩国科学技术院电子工程学院） 纠错

AI总结 本文提出R-GTD算法，通过重新表述均方投影Bellman误差最小化问题，解决FIM奇异导致的稳定性问题，提供理论保证和实验证明。

Comments 32 pages, 8 figures