Principal Prototype Analysis on Manifold for Interpretable Reinforcement Learning
流形上的主原型分析用于可解释的强化学习
机构 * University of Maryland College park（马里兰大学帕克分校）
AI总结 本文提出一种自动选择最优原型的方法，用于增强强化学习的可解释性，无需人工定义原型，实验显示其性能与现有方法相当。
高校专区
University of Maryland, College Park（马里兰大学帕克分校）
SIMPACT: Simulation-Enabled Action Planning using Vision-Language Models
SIMPACT：基于视觉-语言模型的仿真增强动作规划
机构 * UMD（马里兰大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Harvard（哈佛大学） ； Amazon FAR（亚马逊FAR） ； UPenn（宾夕法尼亚大学）
AI总结 SIMPACT通过仿真循环世界建模赋予视觉-语言模型物理推理能力，实现高效动作规划，优于现有通用机器人操作模型，在五个复杂真实世界任务中表现优异。
Comments Accepted to CVPR 2026; camera-ready version
TransFIRA: Transfer Learning for Face Image Recognizability Assessment
TransFIRA: 用于人脸图像可识别性评估的迁移学习
机构 * Systems and Technology Research（系统与技术研究公司） ； University of Maryland, College Park（马里兰大学帕克分校） ； Johns Hopkins University（约翰霍普金斯大学）
AI总结 TransFIRA提出一种轻量且无需标注的框架，通过嵌入空间定义可识别性，改进了人脸和身体识别的可识别性评估，实现了高准确性和解释性。
Comments Project Page: https://transfira.github.io/
Journal ref Proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition (FG), 2026
Audio Hallucination Attacks: Probing the Reliability of Large Audio Language Models
音频幻觉攻击：测试大型音频语言模型的可靠性
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Adobe Research（Adobe研究院）
AI总结 本文提出Audio Hallucination Attacks，通过6500个问答对测试大型音频语言模型是否真实基于音频输入生成响应，发现其可靠性与基准性能存在差距，并提出AHA-Guard数据集降低攻击成功率。
Differentiable Initialization-Accelerated CPU-GPU Hybrid Combinatorial Scheduling
可微初始化加速的CPU-GPU混合组合调度
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of Colorado, Boulder（科罗拉多大学博尔德分校）
AI总结 本文提出一种混合CPU-GPU框架，用于解决以整数线性规划（ILP）形式化的组合调度问题。通过结合可微优化与经典ILP求解，利用可微预处理快速生成高质量部分解，作为商业ILP求解器的热启动，从而显著提升早期剪枝效果。
Comments 7 pages, 4 figures, 8 equations, 3 tables
