Princeton University（普林斯顿大学）

Distributionally-Robust Learning to Optimize

分布鲁棒学习以优化

Vinit Ranjan, Jisun Park, Bartolomeo Stellato

机构 * Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） ； Research Institute of Mathematics, Seoul National University（首尔国立大学数学研究所） 纠错

AI总结 本文提出基于分布鲁棒方法的学习优化框架，通过最小化Wasserstein鲁棒PEP优化算法超参数，统一了经典L2O与最坏情况最优算法设计，在多个基准测试中展现出优越的样本外性能与鲁棒性。

Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs

通过自适应任务图提高语言代理团队的效率

Elizabeth Mieczkowski, Alexander Ku, Tiwalayo Eisape, Dilip Arumugam, John Matters, Katherine M. Collins, Ilia Sucholutsky, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； MIT（麻省理工学院） ； New York University（纽约大学） 纠错

AI总结 本文提出LATTE框架，通过自适应任务图提升语言代理团队效率，减少资源消耗并提高协作准确性。

Unifying Goal-Conditioned RL and Unsupervised Skill Learning via Control-Maximization

通过控制最大化统一目标条件强化学习和无监督技能学习

Alireza Modirshanechi, Benjamin Eysenbach, Peter Dayan, Eric Schulz

机构 * Helmholtz Munich（海德堡大学慕尼黑分校） ； Max Planck Institute for Biological Cybernetics（生物 cybernetics 最大计划研究所） ； Princeton University（普林斯顿大学） ； University of Tübingen（图宾根大学） 纠错

AI总结 本文通过控制最大化理论统一了目标条件强化学习与无监督技能学习，揭示了两者在目标敏感性上的联系，并证明了不同GCRL形式的不等价性及与MISL目标的对应关系。

Agentic Discovery of Exchange-Correlation Density Functionals

代理发现交换关联泛函

Titouan Duston, Jiashu Liang, Yuanheng Wang, Weihao Gao, Xuelan Wen, Nan Sheng, Weiluo Ren, Yang Sun, Yixiao Chen

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文提出一种基于代理的自动搜索系统，通过迭代计划-执行-总结循环改进泛函性能，发现的SAFS26-a泛函在基准测试中提升了约9%，并强调了领域专业知识对确保科学严谨性的重要性。

Comments 20 pages, 2 figues, 4 tables

DOLLAR: Few-Step Video Generation via Distillation and Latent Reward Optimization

DOLLAR: 通过蒸馏和潜在奖励优化实现少步视频生成

Zihan Ding, Chi Jin, Difan Liu, Haitian Zheng, Krishna Kumar Singh, Qiang Zhang, Yan Kang, Zhe Lin, Yuchen Liu

机构 * Princeton University（普林斯顿大学） ； Adobe Research（Adobe研究） 纠错

AI总结 本文提出结合变分分数蒸馏和一致性蒸馏的方法，实现高质量且多样化的少步视频生成，并通过潜在奖励模型微调提升生成性能，实现高效生成。

SOWing Information: Cultivating Contextual Coherence with MLLMs in Image Generation

信息播种：利用大规模语言模型在图像生成中培养上下文一致性

Yuhan Pei, Ruoyu Wang, Yongqi Yang, Ye Zhu, Olga Russakovsky, Yu Wu

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） 纠错

AI总结 本文提出SOW方法，通过多模态大语言模型实现文本-视觉到图像生成，提升图像像素级条件保真度和视觉语义一致性。

Comments Project page: https://pyh-129.github.io/SOW/