Causal Inference for Sequential Settings under Interference and Latent Confounding
干扰和潜在混杂下顺序设置的因果推断
机构 * MIT（麻省理工学院）
AI总结 研究顺序观测设置下结果干扰的因果推断，基于最大伪似然估计提供计算高效方法学习模型参数，在温和假设下建立参数估计非渐近一致性，通过实验和案例研究证明方法有效性。
高校专区
Massachusetts Institute of Technology（麻省理工学院）
Transforming Rank: How Architecture Navigates the Spectral Pathologies of Depth
变换秩：架构如何在深度的谱病态中导航
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
AI总结 研究Transformer前馈块架构设计组件在初始化时如何确定跨深度的秩保留，通过重新解释跳跃连接和归一化等，揭示架构各方面对秩的影响，将深度网络架构设计视为在秩崩溃、集成行为和参数数量间的权衡。
Comments 40 pages. Code: https://github.com/everettk/transforming-rank-paper
DreamSat-Pose: Spacecraft Pose Estimation from Single-View 3D Reconstructions and Learned 2D-3D Feature Matching
DreamSat-Pose：基于单视图3D重建和学习的2D-3D特征匹配的航天器姿态估计
机构 * Wellesley College（韦尔斯利学院） ； Massachusetts Institute of Technology（麻省理工学院） ； Politecnico di Milano（米兰理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Universidad Politécnica de Madrid（马德里理工大学）
AI总结 针对未知航天器对象，本文提出新框架，先利用冻结的DINOv3提取图像特征、动态图卷积神经网络编码器计算几何特征，再经双流变压器匹配器细化描述符，通过学习2D-3D对应关系估计姿态，在数据集上评估效果良好，泛化能力强。
EXPLORE: Exploration with Guided Search for Analog Topology Generation using Language Models
EXPLORE：使用语言模型进行引导搜索以生成模拟拓扑结构
机构 * Duke University（杜克大学） ； MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室） ； IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
AI总结 本文针对自动化模拟电路拓扑设计难题，提出EXPLORE框架，集成模拟器引导蒙特卡罗树搜索与基于变压器的解码，利用语言模型先验优化搜索，在6组件基准测试中显著提升成功率、降低均方误差，推动LLM驱动设计自动化。
Comments MLCAD 26' accepted
Learned Pairwise Deep Dual-Optimal Inequalities for Stabilizing Column Generation
用于稳定列生成的学习成对深度对偶最优不等式
机构 * Department of Civil Engineering, Tsinghua University, Beijing 100084, China（清华大学土木工程系） ； MIT Sloan School of Management, Massachusetts Institute of Technology, 100 Main Street, Cambridge, MA 02142, USA（麻省理工学院斯隆管理学院） ； Department of Industrial and Systems Engineering, University of Florida, Gainesville, FL 32611, USA（佛罗里达大学工业与系统工程系）
AI总结 研究针对列生成中对偶解不稳定问题，提出学习成对深度对偶最优不等式框架，通过预测对偶变量排序、构建训练标签、后处理及恢复过程，在车辆路由问题测试集上大幅减少CG时间且保证边界无损失。
Comments 35 pages, 3 figures, and 12 tables; online appendix included
StratMamba: Strategic and Reactive Stream Partitioning for Path-Efficient LiDAR-Based Obstacle Avoidance
StratMamba：用于基于路径高效的激光雷达避障的策略性和反应性流划分
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； AlphaZ, Inc.（阿尔法兹公司） ； Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究针对复杂环境中机器人导航问题，提出StratMamba双流时间建模架构，结合快慢衰减内存架构处理激光雷达数据。经多场景评估及与其他基线对比，其在时间推理效率、导航速度和路径最优性方面表现出色，在现实中性能更稳健。
Comments Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026). 8 pages, 6 figures. Video: https://www.youtube.com/watch?v=Z0FfO_AVaSw
Hybrid Continual Learning for Low-Resource Australian Aboriginal Language Identification
用于低资源澳大利亚原住民语言识别的混合持续学习
机构 * University of New South Wales（新南威尔士大学） ； University of Melbourne（墨尔本大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对低资源澳大利亚原住民语言识别中数据稀缺和灾难性遗忘问题，提出重放增强弹性权重巩固和约束引导知识蒸馏两种混合持续学习方法，实验表明其优于微调及现有基线，能提升对多种AAL的适应性并保持对高资源语言的性能。
Comments Accepted by Interspeech 2026
Accelerated Mixing Time of Randomized Hamiltonian Monte Carlo
随机哈密顿蒙特卡罗算法的加速混合时间
机构 * Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电气工程与计算机科学系）
AI总结 研究随机哈密顿蒙特卡罗算法在从对数凹概率分布采样时的加速混合时间，通过使用特定随机积分时间，证明其在KL散度中指数收敛，给出不同情况下达到误差ε的总积分时间的尺度，分析依赖于平均KL散度的界。
Comments 74 pages
Relaxing Faithfulness with Intervention-Only Causal Discovery
通过仅干预因果发现放松忠实性
机构 * Thayer School of Engineering Dartmouth College（达特茅斯学院塞耶工程学院） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究因果发现算法，指出常见流程中第一步的忠实性假设在自然系统中常被违反。提出干预即时忠实性假设，表明其足以用硬干预非参数识别因果结构，将干预作为因果结构信息主要载体，还针对干预范围有限情况指定等价类。
Comments Accepted to UAI 2026
OS-Pruner: Pruning Chains-of-Thought of Reasoning Models via Optimal Stopping
OS-Pruner：通过最优停止修剪推理模型的思维链
机构 * MIT（麻省理工学院） ； Columbia Business School（哥伦比亚商学院）
AI总结 研究针对大语言模型思维链推理存在计算过度问题，提出轻量级框架OS-Pruner，将思维链修剪转化为最优停止问题，通过优化效用动态评估终止点，在多基准和模型上减少生成长度且精度牺牲小。
Domain-Aware Scaling Laws Uncover Data Synergy
领域感知缩放定律揭示数据协同效应
机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Microsoft Research（微软研究院） ； Harvard University（哈佛大学）
AI总结 研究语言模型预训练中的数据协同效应，利用开放权重语言模型的观测变化估计领域间协同效应，其框架提高预测精度，恢复稳定估计，经训练模型验证能正确预测性能排名。
The Spectral Structure of Latent Treatment Effects
潜在治疗效果的谱结构
机构 * Dartmouth College（达特茅斯学院） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所） ； Hofstra University（霍夫斯特拉大学）
AI总结 研究在未观察到混杂因素时识别异质治疗效果，核心方法是利用代理模型中潜在混杂因素，通过构造压缩可观测算子及相关分析来恢复潜在治疗效果等，贡献是处理过完备代理系统并给出相关扰动界估计。
Reinforcement Learning with Verifiable Physics: Post-training LLMs with Continuous Rewards
具有可验证物理的强化学习：具有连续奖励的训练后语言模型
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究针对偏微分方程求解器代码生成，引入RLVP强化学习训练后框架，通过混合验证器解决可验证性问题，在多PDE族训练单个策略，优于基线且有零样本改进转移，训练后小LLM表现良好，策略有组合性证据。
Interleaved POMDP Planning for Multi-Object Search in Unknown Multi-Room Household Environments
未知多房间家庭环境中多目标搜索的交错部分可观测马尔可夫决策过程规划
机构 * Georgia Institute of Technology（佐治亚理工学院） ； The Hong Kong University of Science and Technology（香港科技大学） ； Ising AI（伊辛人工智能公司） ； MIT（麻省理工学院） ； Notre Dame University（圣母大学）
AI总结 研究未知多房间家庭环境下多目标搜索问题，提出Inter-POMDP算法，通过高级POUCT规划器与低级运动规划器相互作用，平衡规划质量与效率，相比基线方法减少碰撞、导航步数及检测次数。
Beyond Bayesian Nash: Learning Minimax-Regret Equilibria for Adversarial Team Games under Asymmetric Information
超越贝叶斯纳什均衡：非对称信息下对抗团队博弈的极小极大遗憾均衡学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Aerospace Control Laboratory（航空控制实验室） ； Laboratory of Information and Decision Systems（信息与决策系统实验室）
AI总结 研究非对称信息下对抗团队博弈，提出概率鲁棒极小极大遗憾均衡（PR-MRE），结合极小极大遗憾推理的无分布鲁棒性与概率信息，通过鲁棒双线性规划及新型元求解器 PRMRE-PSRO 实现策略学习，实验证明其在隐藏类型上性能更优，行为更稳健。
Comments 29 pages, 11 figures, 6 tables. Submitted to Transactions on Machine Learning Research (TMLR)
WarpMPC: Large-Batch MPC on GPU via ADMM with Unrolled $LDL^\top$ Factorization
WarpMPC：通过展开的$LDL^\top$分解和交替方向乘子法在GPU上进行大批量模型预测控制
机构 * Institute for Data Science in Mechanical Engineering (DSME), RWTH Aachen University（亚琛工业大学机械工程数据科学研究所） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）
AI总结 研究在GPU上求解大批量相同结构的顺序二次规划迭代以最大化吞吐量的问题，核心方法是基于问题实例稀疏性提出展开稀疏线性分解等优化，主要贡献是在多机器人基准测试中大幅提升吞吐量并展示实际应用价值。
Are We Ready for AI-Driven Discovery? AI Verification Before the Next Fundamental Physics Breakthrough
我们准备好迎接人工智能驱动的发现了吗？在下一次基础物理学突破之前进行人工智能验证
机构 * NSF AI Institute for Artificial Intelligence and Fundamental Interactions（NSF人工智能与基本相互作用研究院） ； MIT Laboratory for Nuclear Science（MIT核科学实验室） ； School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院） ； Nagoya University（名古屋大学） ； Technical University Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
AI总结 探讨在基础物理学中，随着机器学习日益自主，确保其可靠性至关重要。通过VERaiPHY计划框架，结合统计发现工作流程确定验证时机，强调归纳偏差等局限，思考物理学家角色，以实现机器学习在物理学中负责任的整合。
PHITSBench: an execution-scored benchmark for AI-assisted PHITS radiation-transport input generation using natural language
PHITSBench：用于使用自然语言生成人工智能辅助的PHITS辐射传输输入的执行评分基准
机构 * MIT（麻省理工学院）
AI总结 介绍用于PHITS辐射传输输入生成的PHITSBench基准，涵盖三类任务。评估五种基于GPT - 5.4的配置，无特定知识时模型在编辑和修复任务表现好，Reproduce任务差。知识目录和智能体执行可提升成功率，结果显示建模进展依赖多方面因素。
B-spline Policy: Accelerating Manipulation Policies via B-spline Action Representations
B样条策略：通过B样条动作表示加速操纵策略
机构 * Harvard（哈佛大学） ； MIT（麻省理工学院） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 研究提出B样条策略，将动作参数化为连续B样条曲线，可集成到标准策略学习管道，通过直接预测参数实现。实验表明该策略能显著减少任务完成时间，在模拟和现实任务中优于基线方法且成功率高。
Beyond Fixed Representations: The Vocabulary and Verifier Gaps in Open-Ended AI
超越固定表示：开放式人工智能中的词汇与验证差距
机构 * MIT（麻省理工学院）
AI总结 研究指出当前人工智能系统虽能力强但表示框架固定，构建开放式智能需新操作。通过词汇和验证差距刻画与真正开放式智能的距离，基于智能行为的认知转换区分不同类型转换，进而提出创新自主性阶梯及推进开放式人工智能的方向。
CORAL-AUV: CFD Oriented Reinforcement Learning for Autonomous Underwater Vehicles
CORAL-AUV：面向自主水下航行器的CFD强化学习
机构 * MIT–WHOI Joint Program（麻省理工学院 - 伍兹霍尔海洋研究所联合项目） ； Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究自主水下航行器细粒度控制与定位问题，提出利用CFD模型代理近似在强化学习中快速推理的方法，首次在6自由度AUV上成功部署零射击RL策略，相比传统控制器有能耗降低、速度加快、误差减小等优势。
Comments 16 pages, 13 figures
Statistically Undetectable Backdoors in Deep Neural Networks
深度神经网络中统计上不可检测的后门
机构 * University of Ottawa（渥太华大学） ； Bocconi University（博科尼大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究对抗模型训练者在深度前馈神经网络中植入统计上不可检测的后门，此后门可提供基于不变性的对抗样本，揭示了模型训练者与使用者间的权力不对称，且无后门时多项式时间内无法生成此类样本。
Comments ICML 2026
Hydra++: Real-Time Hierarchical 3D Scene Graph Construction With Object-Level Shape Estimation
Hydra++：通过对象级形状估计进行实时分层3D场景图构建
机构 * Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
AI总结 研究如何将基于学习的对象形状估计器集成到分层3D场景图管道中，提出Hydra++系统。它结合形状估计和一致性检查，默认配置可在线构建场景图，支持混合配置应对室外挑战，实验证明其提高了对象和场景级重建质量。
Comments 8 pages, 12 figures, accepted in Proc. IEEE/RSJ IROS
Learning More from Less: Reinforcement Learning from Hindsight
从更少中学习更多：事后诸葛亮式强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Computing Research Lab（麻省理工学院-IBM计算研究实验室） ； Stanford University（斯坦福大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 研究针对强化学习用于视觉-语言-动作模型后期训练时样本效率低的问题，提出事后诸葛亮式学习方法，通过对失败轨迹重标记，让策略联合原始与重标记轨迹训练，在分布外任务上显著提升样本效率并优于基线。
GradInf: Gradient Estimation as Probabilistic Inference
GradInf：作为概率推理的梯度估计
机构 * Carnegie Mellon University Pittsburgh USA ； Massachusetts Institute of Technology Cambridge USA ； Chalmers University of Technology \& University of Gothenburg Gothenburg Sweden ； Yale University New Haven USA ； Carnegie Mellon University ； Massachusetts Institute of Technology ； Chalmers University of Technology \& University of Gothenburg ； Yale University
AI总结 研究针对概率程序梯度估计难题，提出梯度推理新方法，通过形式规约将其转化为概率推理问题，借助耦合和因式分解操作设计梯度估计器，介绍GradInf系统，经案例研究验证其能表达并构建高性能梯度估计器。
Journal ref Proc. ACM Program. Lang. 10, PLDI, Article 243 (June 2026)
Training and Evaluating Diffusion Policies with Long Context Lengths
训练和评估具有长上下文长度的扩散策略
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文首次详细研究模仿学习中上下文长度的影响，发现简单扩展上下文长度并不脆弱，并提出联合训练多上下文长度策略的方法以降低样本复杂度。
Institutional Red-Teaming: Deployment Rules, Not Just Models, Causally Shape Multi-Agent AI Safety
机构红队测试：部署规则而非模型，因果性地塑造多智能体人工智能安全
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究多智能体人工智能安全中部署规则的影响，提出机构红队测试方法，通过IABench-CA实例化，发现规则改变集体安全、无安全默认规则、身份显著性是机制，还打包成安全案例工作流程认证规则区域并明确风险义务。
How Data Shapes RoPE Frequency Usage: From Positional Scale Matching to Length Generalization
数据如何塑造RoPE频率使用：从位置尺度匹配到长度泛化
机构 * MIT IDSS（麻省理工学院信息系统与决策科学实验室） ； IIIS, Tsinghua University（清华大学交叉信息研究院）
AI总结 研究RoPE频率使用不均匀的原因，提出数据诱导依赖决定频率使用，最佳频率与1/W成比例，该原则解释了相关观察，还将频率选择与长度泛化联系，表明自然语言有自相似性，长上下文泛化取决于两种尺度匹配。
A knowledge-augmented dataset of high-risk driving scenarios with LLM annotations for autonomous driving
一个用于自动驾驶的具有大语言模型注释的高风险驾驶场景知识增强数据集
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Fudan University（复旦大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
AI总结 研究自动驾驶中高风险场景数据不足问题，核心方法是构建K-Risk数据集，整合多源轨迹数据并利用大语言模型生成注释，主要贡献是为自动驾驶开发和评估提供标准化基础。
Comments 22 pages, 9 figures
CILC: Cryptographically-secure Inter-agent Loop Closure Candidate Detection for Multi-Agent Collaborative SLAM
CILC：用于多智能体协作SLAM的加密安全的智能体间闭环候选检测
机构 * Massachusetts Institute of Technology（麻省理工学院）
AI总结 研究多智能体协作SLAM中智能体间闭环候选检测问题，提出CILC系统，利用安全多方计算仅对隐私敏感且计算量轻的GD相似性比较步骤进行加密处理，在模拟和硬件实验中验证其能保持实时性、通信可行并减轻信息泄露。
