Accelerating Diffusion via Hybrid Data-Pipeline Parallelism Based on Conditional Guidance Scheduling
通过基于条件引导调度的混合数据-流水线并行加速扩散
机构 * School of Computing, KAIST（计算机学院，韩国科学技术院）
AI总结 本文提出了一种混合并行框架，通过条件引导调度和自适应流水线切换，提升扩散模型的生成效率和质量。
高校专区
Korea Advanced Institute of Science and Technology（韩国科学技术院）
A Hidden Semantic Bottleneck in Conditional Embeddings of Diffusion Transformers
扩散变换器条件嵌入中的隐藏语义瓶颈
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
AI总结 研究揭示扩散变换器条件嵌入中的语义瓶颈，发现语义信息集中于少量维度，通过剪枝提升生成质量。
Comments Accepted to ICLR 2026
Urban Vibrancy Embedding and Application on Traffic Prediction
城市活力嵌入及其在交通预测中的应用
机构 * School of Computing（计算学院） ； KAIST（韩国科学技术院） ； Luddy School of Informatics（信息学院） ； Indiana Univ.（印第安纳大学）
AI总结 本研究提出基于城市活力嵌入的交通预测方法，结合VAE和LSTM提升预测准确性和响应性。
ClearFairy: Capturing Creative Workflows through Decision Structuring, In-Situ Questioning, and Rationale Inference
ClearFairy：通过决策结构化、现场提问和推理推断捕捉创意工作流
机构 * School of Computing, KAIST（韩国科学技术院计算机科学系） ； NAVER AI Lab（NAVER人工智能实验室）
AI总结 ClearFairy通过结构化决策、现场提问和推理推断，提升UI设计中决策推理的完整性和可追溯性，显著提高强解释比例。
BoxSplitGen: A Generative Model for 3D Part Bounding Boxes in Varying Granularity
BoxSplitGen：一种用于不同粒度3D部件边界框的生成模型
机构 * KAIST（韩国科学技术院） ； NVIDIA（英伟达）
AI总结 BoxSplitGen通过迭代分割边界框生成不同粒度的3D部件边界框，提升3D创作中从粗到细的生成效果。
Comments Project page: https://boxsplitgen.github.io
PropFly: Learning to Propagate via On-the-Fly Supervision from Pre-trained Video Diffusion Models
PropFly: 通过预训练视频扩散模型的实时监督学习进行传播
机构 * KAIST（韩国科学技术院） ； Kyungpook National University（庆北国立大学） ； Adobe Research（Adobe研究院）
AI总结 PropFly通过预训练视频扩散模型的实时监督学习，实现基于传播的视频编辑，无需配对数据集，提升编辑质量和一致性。
Comments The first two authors contributed equally to this work (equal contribution)
DeLTa: Demonstration and Language-Guided Novel Transparent Object Manipulation
DeLTa: 人机交互与语言引导的新透明物体操控演示
机构 * KAIST（韩国科学技术院） ； NVIDIA（英伟达） ； KIMM（韩国智能媒体实验室）
AI总结 DeLTa通过整合深度估计、6D姿态估计和视觉-语言规划，实现基于自然语言指令的精确长周期透明物体操控，无需额外训练或类别先验。
Comments Project page: https://sites.google.com/view/DeLTa25/
PCPO: Proportionate Credit Policy Optimization for Aligning Image Generation Models
PCPO：比例信用政策优化用于对齐图像生成模型
机构 * KAIST（韩国科学技术院）
AI总结 PCPO通过稳定的目标重构和时间步重新加权，解决图像生成模型训练中的不稳定性问题，从而提升收敛速度和图像质量。
Comments 35 pages, 20 figures. ICLR 2026
DS-STAR: Data Science Agent for Solving Diverse Tasks across Heterogeneous Formats and Open-Ended Queries
DS-STAR：跨异构格式和开放性查询的多样化任务数据科学代理
机构 * Google Cloud（谷歌云） ； KAIST（韩国科学技术院）
AI总结 DS-STAR是一种专门设计用于跨异构数据格式和开放性查询的代理，能生成高质量研究报告并超越传统问答能力。
Improving Motion in Image-to-Video Models via Adaptive Low-Pass Guidance
通过自适应低通引导改进图像到视频模型中的运动
机构 * KAIST（韩国科学技术院）
AI总结 本研究提出自适应低通引导方法，通过调整图像频率内容提升图像到视频生成的动态效果，同时保持图像质量和文本对齐度。
Comments Project page: http://choi403.github.io/ALG
DiSPo: Diffusion-SSM based Policy Learning for Coarse-to-Fine Action Discretization
DiSPo：基于扩散-状态空间模型的策略学习用于粗到细动作离散化
机构 * Korea Advanced Institute of Science and Technology（韩国高级科学研究院）
AI总结 DiSPo通过结合扩散-状态空间模型和步骤缩放方法，实现了高效且灵活的粗到细动作离散化学习，显著提升了成功率和推理效率。
Comments Accepted by ICRA 2026
Uncertainty-Aware Rank-One MIMO Q Network Framework for Accelerated Offline Reinforcement Learning
考虑不确定性的秩一多输入多输出（MIMO）Q网络框架用于加速离线强化学习
机构 * School of Electrical Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院电子工程学院） ； Department of Artificial Intelligence, Korea University（韩国大学人工智能系）
AI总结 本文提出考虑不确定性的秩一MIMO Q网络框架，通过量化数据不确定性提升离线强化学习的效率与性能。
Comments 10 pages, 4 Figures, IEEE Access
Journal ref IEEE Access, vol. 12, pp. 100972-100982, 2024
Adaptive Problem Generation via Symbolic Representations
通过符号表示实现自适应问题生成
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联盟研究技术） ； Massachusetts Institute of Technology（麻省理工学院） ； Singapore Management University（新加坡管理大学）
AI总结 本文提出通过符号表示生成自适应问题，以提升小型语言模型在数学任务上的表现。
Distributionally Robust Classification for Multi-source Unsupervised Domain Adaptation
多源无监督领域自适应的分布鲁棒分类
机构 * Pohang University of Science and Technology（釜山科学技术大学） ； Korea Advanced Institute of Science and Technology（韩国科学技术院）
AI总结 本文提出了一种多源无监督领域自适应的分布鲁棒分类框架，通过建模协变量和条件标签分布的不确定性，有效提升模型在目标域的泛化能力，尤其在目标数据稀缺时表现优异。
Comments Accepted at ICLR 2026
ProPerSim: Developing Proactive and Personalized AI Assistants through User-Assistant Simulation
通过用户-助手模拟开发前瞻性与个性化的人工智能助手
机构 * KAIST（韩国科学技术院）
AI总结 ProPerSim通过用户-助手模拟框架开发了能够主动和个性化推荐的AI助手，实验显示其在多样化的用户场景中有效提升了用户满意度。
Comments Accepted at ICLR 2026
Cross-lingual Collapse: How Language-Centric Foundation Models Shape Reasoning in Large Language Models
跨语言崩溃：语言中心化基础模型如何塑造大语言模型的推理
机构 * NAVER Cloud（NAVER云） ； KAIST（韩国科学技术院）
AI总结 该研究探讨了多语言模型在长链思考中因语言中心化先验导致的推理能力下降问题，并提出通过语言一致性奖励等方法缓解这一现象。
Comments Preprint
Analysis of Off-Policy $n$-Step TD-Learning with Linear Function Approximation
多步时序差分学习的离线策略分析与线性函数近似
机构 * Department of Electrical Engineering, KAIST, Daejeon, 34141, South Korea（电气工程系，韩国科学技术院，大田，34141，韩国）
AI总结 本文分析了多步时序差分学习在离线策略和线性函数近似下的收敛性，并提出两种无模型强化学习算法。
Comments Added experiments for n-step PVI and n-step TD convergence/divergence
SafeFlowMatcher: Safe and Fast Planning using Flow Matching with Control Barrier Functions
SafeFlowMatcher: 基于流匹配与控制屏障函数的安全且快速规划
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
AI总结 SafeFlowMatcher通过结合流匹配与控制屏障函数，实现安全且高效的路径规划，在多个机器人任务中表现出更快、更平滑和更安全的性能。
Comments ICLR 2026(poster)
Learning Collective Variables from BioEmu with Time-Lagged Generation
从BioEmu中学习集体变量
机构 * KAIST（韩国科学技术院） ； MIT（麻省理工学院）
AI总结 本文提出BioEmu-CV框架，通过从BioEmu中自动学习集体变量，用于快速折叠蛋白质的自由能估计和过渡路径采样。
Flow Matching with Injected Noise for Offline-to-Online Reinforcement Learning
注入噪声的流匹配用于离线到在线强化学习
机构 * KAIST（韩国科学技术院）
AI总结 本文提出FINO方法，通过注入噪声的流匹配提升离线到在线强化学习的样本效率，结合熵引导采样平衡探索与利用，实现更高效的策略优化。
Comments ICLR 2026 camera-ready
Flow Actor-Critic for Offline Reinforcement Learning
流Actor-Critic用于离线强化学习
机构 * KAIST（韩国科学技术院） ； UNIST（全南大学）
AI总结 本文提出流Actor-Critic方法，通过结合流模型提升离线强化学习中策略的表达能力，以应对复杂多模式数据分布，实现新的性能突破。
Comments Accepted to ICLR 2026
Uncertainty Estimation by Flexible Evidential Deep Learning
通过灵活可信深度学习进行不确定性估计
机构 * Department of Industrial and Systems Engineering, KAIST（工业与系统工程系，韩国科学技术院）
AI总结 本文提出灵活可信深度学习（F-EDL），通过预测灵活的Dirichlet分布来提升不确定性量化在复杂和挑战性场景中的性能。
Comments NeurIPS 2025
ChoiceMates: Supporting Unfamiliar Online Decision-Making with Multi-Agent Conversational Interactions
ChoiceMates: 通过多智能体对话交互支持陌生在线决策
机构 * University of California, San Diego（加州大学圣迭戈分校） ； School of Computing, KAIST（韩国科学技术院计算机学院） ； Information and Interaction Design, Yonsei University（延世大学信息与交互设计） ； Hong Kong University of Science（香港科学大学）
AI总结 ChoiceMates通过多智能体对话交互帮助用户更高效地进行陌生在线决策。
Comments Accepted to IUI 2026
Semi-Supervised Preference Optimization with Limited Feedback
半监督偏好优化与有限反馈
机构 * Yonsei University（延世大学） ； Korea Advanced Institute of Science and Technology（韩国科学技术院）
AI总结 本文提出半监督偏好优化方法，通过结合少量标注数据和大量未标注数据，有效提升模型对齐人类偏好的效率，减少数据获取成本。
Multimodal Prompt Optimization: Why Not Leverage Multiple Modalities for MLLMs
多模态提示优化：为何不利用多种模态为大语言模型服务
机构 * KAIST（韩国科学技术院）
AI总结 本文提出多模态提示优化问题，提出MPO框架，通过联合优化和贝叶斯策略提升多模态提示效果，验证其在图像、视频等多模态任务中的优越性。
Comments ICLR 2026
Point-DeepONet: Predicting Nonlinear Fields on Non-Parametric Geometries under Variable Load Conditions
点-深度ONet：在非参数几何上预测非线性场，以应对变量载荷条件
机构 * Cho Chun Shik Graduate School of Mobility, Korea Advanced Institute of Science and Technology（Cho Chun Shik 移动研究生院，韩国科学技术院） ； Narnia Labs（Narnia 实验室）
AI总结 Point-DeepONet通过整合PointNet与DeepONet框架，高效预测非参数几何和变量载荷下的物理响应场，实现比传统有限元分析快400倍的高保真结构分析。
Comments Accepted for publication in Neural Networks. 17 pages, 17 figures
Journal ref Neural Networks, 198 (2026) 108560
ASPEN: Spectral-Temporal Fusion for Cross-Subject Brain Decoding
ASPEN：跨受试者脑解码的频谱-时间融合
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Kyung Hee University（Kyung Hee大学） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） ； University of Pittsburgh（匹兹堡大学）
AI总结 ASPEN通过频谱-时间融合实现跨受试者脑解码，利用乘法融合提升跨模态一致性，有效提升未见受试者准确率。
Not the Example, but the Process: How Self-Generated Examples Enhance LLM Reasoning
不是例子，而是过程：如何自动生成的例子增强LLM推理
机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Applied Artificial Intelligence, Sungkyunkwan University（成均馆大学应用人工智能系）
AI总结 本研究通过对比不同提示策略，发现自动生成例子的过程增强了LLM推理性能，而非例子本身。
Comments Presented at AACL-IJCNLP 2025
Latent Veracity Inference for Identifying Errors in Stepwise Reasoning
潜在真实性推断用于识别逐步推理中的错误
机构 * Mila – Québec AI Institute（魁北克人工智能研究所） ； KAIST（韩国科学技术院） ； Université de Montréal（蒙特利尔大学） ； LawZero（法零）
AI总结 本文提出通过引入潜在真实性变量和Veracity Search算法，提升语言模型在逐步推理中的准确性和可信度，并通过Amortized Veracity Inference实现零样本真实性推断。
Stratified Hazard Sampling: Minimal-Variance Event Scheduling for CTMC/DTMC Discrete Diffusion and Flow Models
分层危险采样：CTMC/DTMC离散扩散和流模型的最小方差事件调度
机构 * Department of EE KAIST（电子工程系，韩国科学技术院）
AI总结 分层危险采样通过最小化方差提升CTMC/DTMC离散扩散和流模型的样本质量与鲁棒性。
Comments Work in progress. Feedback welcome
