University of Maryland, College Park（马里兰大学帕克分校）

Bridging Self-Supervised Learning and Speech Enhancement: A Wav2Vec2-Conditioned Framework

桥接自监督学习与语音增强：一种基于Wav2Vec2的条件框架

Shuubham Ojha, Carol Espy-Wilson

机构 * Institute for Systems Research, University of Maryland, College Park（系统研究所，马里兰大学，College Park） 纠错

AI总结 提出一种以wav2vec 2.0特征为条件的扩散模型语音增强方法，通过FiLM调制U-Net瓶颈，利用指数平滑聚合系数，在VoiceBank-DEMAND和LibriMix上PESQ提升0.4。

Scheduling Thoughts: Learning the Order of Thought in Diffusion Language Models

调度思维：在扩散语言模型中学习思维的顺序

Jiawei Xu, Minghui Liu, Aakriti Agrawal, Yifan Chen, Furong Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 提出自感知调度（SAS），通过策略优化学习扩散语言模型中的去掩码顺序，显著提升Sudoku和数学推理任务的生成质量。

THREAD: Trajectory Planning for Hybrid Rigid-Soft Manipulators with Environment-Aware Diffusion

THREAD: 面向混合刚柔机械臂的环境感知扩散轨迹规划

Shivani Kamtikar, Pranav Asthana, Naveen Kumar Uppalapati, Girish Krishnan, Girish Chowdhary

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland College Park（马里兰大学帕克分校） 纠错

AI总结 提出首个基于扩散的混合刚柔机械臂轨迹规划器THREAD，通过物理启发损失联合约束刚柔段，实现狭窄环境穿行，任务成功率92.4%，碰撞减少5倍。

Comments Project Page: https://robot-thread.github.io, IROS 2026

Finite-Sample Performance of Gradient Descent in Logistic Regression with Gaussian Design

高斯设计逻辑回归中梯度下降的有限样本性能

Junren Chen, Arya Mazumdar

机构 * Department of Mathematics, University of Maryland, College Park（数学系，马里兰大学，College Park分校） ； Halıcıoğlu Data Science Institute, UC San Diego（Halıcıoğlu数据科学研究所，加州大学圣地亚哥分校） 纠错

AI总结 针对高斯设计逻辑回归的参数估计问题，证明梯度下降在线性收敛到统计误差率O(√(‖θ*‖₂⁵d/n))，并建立大步长下的更快局部线性收敛，通过近似可逆性条件分析。

An LLM-Orchestrated Agent for Directional-Coupler Design with Self-Consistent Eigenmode and FDTD Validation

一种用于定向耦合器设计的LLM编排智能体，具有自洽本征模和FDTD验证

Saumya Biswas, Amrit De, Md Tauhidul Islam

机构 * Department of Mechanical Engineering, University of Maryland, College Park（马里兰大学学院市机械工程系） ； Apsidal LLC ； Department of Radiation Oncology, Stanford University（斯坦福大学放射肿瘤科） 纠错

AI总结 提出一种由大语言模型编排的智能体，结合本征模求解器和FDTD验证，自动设计SOI 2×2定向耦合器，实现高精度50/50分束。

Physics-Preserving Latent Compression for Zero-Shot Resolution Transfer in 3D Turbulence

保持物理特性的潜在压缩：三维湍流零样本分辨率迁移

Yilong Dai, Yiming Sun, Yiheng Chen, Ziyi Wang, Shengyu Chen, Xiaowei Jia, Runlong Yu

机构 * The University of Alabama（阿拉巴马大学） ； University of Pittsburgh（匹兹堡大学） ； University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 提出PPLC框架，利用惯性区尺度相似性，通过分块局部变分自编码器实现从低分辨率训练到高分辨率测试的零样本迁移，保持物理诊断量准确性。

Comments 10 pages, 6 figures, 4 tables

PolicyGuard: Towards Test-time and Step-level Adversary (Backdoor) Defense for Reinforcement Learning Agent

PolicyGuard：面向强化学习智能体的测试时和步级对抗防御

Junfeng Guo Heng Huang

机构 * Computer Science, University of Maryland College Park, USA（计算机科学，马里兰大学学院市） 纠错

AI总结 提出PolicyGuard，一种基于高斯过程后验方差的测试时步级后门防御方法，通过自适应伪轨迹计算单步不确定性，在七种RL游戏中达到平均AUROC 0.856和0.859。

Decision Tree Learning on Product Spaces

在产品空间上进行决策树学习

Arshia Soltani Moakhar, Faraz Ghahremani, Kiarash Banihashem, MohammadTaghi Hajiaghayi

机构 * Department of Computer Science, University of Maryland, College Park, USA（大学计算机科学系，马里兰大学，College Park，美国） 纠错

AI总结 本文研究了在任意产品分布下决策树贪心启发法的理论分析，证明了贪心算法能构造出近似决策树，并提出了一种无需参数的算法。

Comments ICML 2026

SplatSuRe: Selective Super-Resolution for Multi-view Consistent 3D Gaussian Splatting

SplatSuRe：多视角一致3D高斯点溅的选择性超分辨率

Pranav Asthana, Alex Hanson, Allen Tu, Tom Goldstein, Matthias Zwicker, Amitabh Varshney

机构 * University of Maryland, College Park（马里兰大学 College Park分校） 纠错

AI总结 SplatSuRe通过选择性超分辨率技术，在多视角一致的3D高斯点溅中提升渲染质量，通过相机姿态与场景几何关系指导超分辨率内容的添加，提升局部前景细节的清晰度和一致性。

Comments Project Page: https://splatsure.github.io/

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

MMOU: A Massive Multi-Task Omni Understanding and Reasoning Benchmark for Long and Complex Real-World Videos

MMOU：面向长且复杂真实世界视频的大规模多任务全模态理解与推理基准

Arushi Goel, Sreyan Ghosh, Vatsal Agarwal, Nishit Anand, Kaousheik Jayakumar, Lasha Koroshinadze, Yao Xu, Katie Lyons, James Case, Karan Sapra, Kevin J. Shih, Siddharth Gururani, Abhinav Shrivastava, Ramani Duraiswami, Dinesh Manocha, Andrew Tao, Bryan Catanzaro, Mohammad Shoeybi, Wei Ping

机构 * NVIDIA, USA（NVIDIA美国分公司） ； University of Maryland, College Park, USA（马里兰大学帕克分校） 纠错

AI总结 提出MMOU基准，包含2万个人工标注问题与11877个长视频，覆盖13项技能，评估多模态大模型在长视频中的全模态理解与推理能力，最佳闭源模型仅64.2%准确率，开源模型46.8%。

Comments Project Page: https://huggingface.co/datasets/nvidia/MMOU

Conditional neural control variates for variance reduction in Bayesian inverse problems

条件神经控制变量用于贝叶斯逆问题中的方差缩减

Ali Siahkoohi, Hyunwoo Oh

机构 * Department of Computer Science University of Central Florida（计算机科学系佛罗里达中央大学） ； Department of Physics and Maryland Center for Fundamental Physics University of Maryland College Park（物理系马里兰根本物理中心马里兰大学学院公园分校） 纠错

AI总结 提出条件神经控制变量方法，利用联合模型-数据样本学习摊销控制变量，通过Stein恒等式和分层耦合层架构，显著降低贝叶斯逆问题中蒙特卡洛估计的方差。

Arguments that Alter Minds: LLM Rationales Sway Human (and LLM) Notions of Plausibility

改变思维的观点：LLM 理由影响人类（和 LLM）对合理性的看法

Shramay Palta, Peter Rankel, Sarah Wiegreffe, Rachel Rudinger

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 研究 LLM 生成的赞成/反对理由如何影响人类和 LLM 对常识基准答案的合理性判断，发现理由能显著改变判断，表明 LLM 可影响人类信念。

Comments ACL 2026 Camera-Ready Version