Massachusetts Institute of Technology（麻省理工学院）

FracEvent: Event-Camera Simulation via Fractional-Relaxation Pixel Dynamics

FracEvent: 通过分数阶弛豫像素动力学进行事件相机模拟

Langyi Chen, Chuanzhi Xu, Haoxian Zhou, Pengfei Ye, Ziyu Luo, Haodong Chen, Qiang Qu, Xiaoming Chen, Weidong Cai

机构 * The University of Sydney（悉尼大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Beijing Technology and Business University（北京工商大学） 纠错

AI总结 提出FracEvent模拟器，利用分数阶弛豫电压动力学建模像素级生命周期，通过连续电压轨迹定位阈值交叉生成事件，保留记忆模式以改进事件时序结构，在下游任务中优于现有方法。

PRISM: Efficient and Locally Optimal Probabilistic Planning with Reachability Guarantees

PRISM：具有可达性保证的高效且局部最优的概率规划

Alex Rose, Christopher Jewison, Jonathan P. How

机构 * Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院） ； Draper 纠错

AI总结 提出PRISM算法，通过将信念空间规划分解为确定性均值规划和协方差收缩，并引入在线局部优化，在满足状态和控制约束下实现高覆盖率和低成本，同时提供可达性保证。

Life After Benchmark Saturation: A Case Study of CORE-Bench

基准测试饱和之后：CORE-Bench 案例研究

Nitya Nadgir, Sayash Kapoor, Kangheng Liu, Peter Kirgis, Matilda Orona, Stephan Rabanser, Tilman Bayer, Abhishek Shetty, Yue Ling, Derrick Chan-Sew, Rumi Nakagawa, Saiteja Utpala, Zachary S. Siegel, Arvind Narayanan

机构 * Independent（独立机构） ； Princeton University（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） 纠错

AI总结 针对基准测试准确率饱和问题，提出从构造效度、泛化性、效率、可靠性、模型与脚手架相对重要性及人机协作提升六个维度评估智能体，以CORE-Bench Hard为案例展示饱和后仍可获得有意义见解。

Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring

Dot-Flik：一种用于分布式昆虫监测的可扩展边缘AI架构

Mattia Consani, Denisa-Andreea Constantinescu, Åse Håtveit, Titus Venverloo, Fabio Duarte, Carlo Ratti, David Atienza

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑校区） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 提出基于运动信息帧过滤和分层物联网架构的边缘AI系统，在低成本硬件上实现实时昆虫监测，减少60-80%帧传输并节能22.6%。

Learning User Simulators with Turing Rewards

基于图灵奖励的学习用户模拟器

Yingshan Susan Wang, Cedegao E. Zhang, Linlu Qiu, Zexue He, Pengyuan Li, Alex Pentland, Roger P. Levy, Yoon Kim

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） 纠错

AI总结 提出Turing-RL方法，利用基于图灵测试的强化学习训练用户模拟器，通过判别性图灵奖励使生成响应与真实用户不可区分，在对话和论坛讨论中优于基线方法。

Running the Gauntlet: Re-evaluating the Capabilities of Agents Beyond Familiar Environments

Running the Gauntlet: 重新评估智能体在陌生环境中的能力

Mykola Vysotskyi, Runqi Lin, Grzegorz Biziel, Michal Zakrzewski, Sebastian Montagna, Damian Rynczak, Shreyansh Padarha, Kumail Alhamoud, Zihao Fu, William Lugoloobi, Kai Rawal, Hanna Yershova, Xander Davies, Taras Rumezhak, Guohao Li, Fazl Barez, Baoyuan Wu, Arkadiusz Drohomirecki, Yarin Gal, Chris Russell, Christopher Summerfield, Adam Mahdi, Volodymyr Karpiv, Philip Torr, Adel Bibi

机构 * University of Oxford（牛津大学） ； SoftServe ； Massachusetts Institute of Technology（麻省理工学院） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； UK AI Security Institute（英国人工智能安全研究所） ； Ukrainian Catholic University（乌克兰天主教大学） 纠错

AI总结 提出GauntletBench基准，通过20个视觉密集型任务评估智能体在时间感知、图形理解和3D推理等未被充分探索的能力，发现最先进智能体成功率仅19.1%，远低于人类80%以上。

Equivariant symmetry-aware head pose estimation for fetal MRI

等价对称性感知的胎儿MRI头部姿态估计

Ramya Muthukrishnan, Borjan Gagoski, Aryn Lee, P. Ellen Grant, Elfar Adalsteinsson, Benjamin Billot, Polina Golland

机构 * MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室） ； Boston Children's Hospital and Harvard Medical School（波士顿儿童医院和哈佛医学院） ； Inria, Université Côte d'Azur（法国国家科学研究中心（Inria）、蔚蓝海岸大学） 纠错

AI总结 本文提出E(3)-Pose方法，通过联合建模旋转等价性和物体对称性，解决胎儿MRI中头部运动的自动适应性处方问题，实现6自由度头部姿态估计。

Decentralized Best-Response-Based Learning in Two-Player Zero-Sum Stochastic Games: A Finite-Sample Analysis

两人零和随机博弈中基于最优响应的去中心化学习：有限样本分析

Zaiwei Chen, Kaiqing Zhang, Eric Mazumdar, Asuman Ozdaglar, Adam Wierman

机构 * Purdue University（普渡大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Caltech（加州理工学院） ； MIT（麻省理工学院） 纠错

AI总结 本文对两人零和矩阵博弈和随机博弈中的去中心化学习进行有限样本分析，提出基于最优响应的学习算法，并证明其样本复杂度。

Comments A preliminary version [arXiv:2303.03100] of this paper, with a subset of the results that are presented here, was presented at NeurIPS 2023