Princeton University（普林斯顿大学）

The Geometry of Representational Failures in Vision Language Models

视觉语言模型中表征失败的几何结构

Daniele Savietto, Declan Campbell, André Panisson, Marco Nurisso, Giovanni Petri, Jonathan D. Cohen, Alan Perotti

机构 * Dipartimento di Fisica, Università di Torino（都灵大学物理系） ； Princeton Neuroscience Institute and AI Lab, Princeton University（普林斯顿大学神经科学研究所和AI实验室） ； Intesa Sanpaolo AI Research（Intesa Sanpaolo AI研究中心） ； Dipartimento di Scienze Matematiche, Politecnico di Torino（都灵理工学院数学科学系） ； Network Science Institute, Northeastern University London, UK（伦敦大学东北方大学网络科学研究所） 纠错

AI总结 通过分析开源视觉语言模型的概念向量几何重叠，揭示多目标视觉任务中幻觉等错误与认知约束的关联，并提出基于干预的验证方法。

When Evidence is Sparse: Weakly Supervised Early Failure Alerting in Dialogs and LLM-Agent Trajectories

当证据稀疏时：对话和LLM-Agent轨迹中的弱监督早期失败预警

Avinash Baidya, Xinran Liang, Ruocheng Guo, Xiang Gao, Kamalika Das

机构 * Intuit AI Research（Intuit AI研究院） ； Princeton University（普林斯顿大学） 纠错

AI总结 针对对话和LLM-Agent轨迹中早期失败预警问题，提出一种两阶段方法，通过注意力机制从稀疏的轨迹级标签中学习回合级失败证据，并结合α-STOP策略实现可控的早期预警，在多个基准上显著提升帕累托前沿质量并降低训练成本。

Comments 9 pages, 14 figures, and appendix

Continual Visual and Verbal Learning Through a Child's Egocentric Input

通过儿童自我中心输入进行持续的视觉与语言学习

Xiaoyang Jiang, Yanlai Yang, Kenneth A. Norman, Brenden Lake, Mengye Ren

机构 * Agentic Learning AI Lab, New York University（代理学习人工智能实验室，纽约大学） ； Department of Psychology, Princeton University（心理学系，普林斯顿大学） 纠错

AI总结 提出BabyCL持续多模态学习框架，在单一时间顺序处理SAYCam数据集，通过流式视觉表示学习和图像-文本对比目标，在SAYCam Labeled-S 4AFC基准上优于流式学习基线，缩小了与离线训练上限的差距。

Comments 15 pages, 4 figures

On Out-of-sample Embedding in UMAP

UMAP中的样本外嵌入

Mohammad Tariqul Islam, Jason W. Fleischer

机构 * Media Lab, Massachusetts Institute of Technology（媒体实验室，麻省理工学院） ； Electrical and Computer Engineering, Princeton University（电子与计算机工程，普林斯顿大学） 纠错

AI总结 针对UMAP在添加新样本时产生的排斥效应，通过优化原始k近邻图中的成对交互，提出参数化UMAP方法以改善嵌入质量。

Comments 22 pages, 16 figures

DLLG: Dynamic Logit-Level Gating of LLM Experts

DLLG: 大语言模型专家的动态logit级门控

Bingnan Li, Zhaoyang Zhang, Xiaoze Liu, Yantao Shen, Shuli Jiang, Shuo Yang, Wei Xia, Zhuowen Tu, Stefano Soatto

机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） 纠错

AI总结 提出DLLG框架，通过轻量级门控模块学习token级专家融合权重，利用稀疏的响应级监督实现动态logit级集成，无需token级标签或专家重训练，在推理和代码基准上优于路由、启发式集成和参数合并方法。

Self-Distilled Policy Gradient

自蒸馏策略梯度

Yifeng Liu, Shiyuan Zhang, Yifan Zhang, Quanquan Gu

机构 * Department of Computer Science, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校计算机科学系） ； Princeton AI Laboratory, Princeton University, Princeton, NJ, USA（普林斯顿大学普林斯顿AI实验室） 纠错

AI总结 提出SDPG框架，结合组相对验证器优势、归一化标准差、精确全词汇在线自蒸馏和参考策略KL正则化，提升稀疏奖励强化学习的稳定性和性能。

q0: Primitives for Hyper-Epoch Pretraining

q0: 超周期预训练的原语

Bishwas Mandal, Shmuel Berman, Akshay Vegesna, Samip Dahal

机构 * Q Labs（Q实验室） ； Princeton University（普林斯顿大学） 纠错

AI总结 针对多周期训练中单模型性能饱和的问题，提出超周期预训练（q0）方法，通过循环调度、链式蒸馏和学习先验三个原语，从多周期预算中生成多样化模型群体并聚合其预测，显著提升数据效率。

Comments 22 pages, 5 figures

Solving Zebra Puzzles Using Constraint-Guided Multi-Agent Systems

使用约束引导的多智能体系统解决斑马谜题

Shmuel Berman, Kathleen McKeown, Baishakhi Ray

机构 * Princeton University（普林斯顿大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 提出一种多智能体系统ZPS，结合大语言模型与定理证明器，通过分解问题、生成SMT代码和智能体间反馈，显著提升复杂逻辑谜题的解决能力。

Policy Optimization Provably Converges to Nash Equilibria in Zero-Sum Linear Quadratic Games

策略优化在零和线性二次博弈中可证明收敛至纳什均衡

Kaiqing Zhang, Zhuoran Yang, Tamer Başar

机构 * Department of Electrical and Computer Engineering & Coordinated Science Laboratory, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校电子工程与协调科学实验室部门） ； Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） 纠错

AI总结 本文研究了策略优化在零和线性二次博弈中寻找纳什均衡的全局收敛性，通过分析LQ博弈的优化景观，证明了线性反馈控制策略的 stationary 点构成博弈的纳什均衡，并提出三种保证收敛到纳什均衡的投影嵌套梯度方法，同时展示了这些算法具有全局次线性和局部线性收敛率。

Comments Fixed some typos, addressed some comments from NeurIPS reviews

PAC-Bayes Control: Learning Policies that Provably Generalize to Novel Environments

PAC-Bayes 控制：学习能够证明在新环境中泛化的能力的策略

Anirudha Majumdar, Alec Farid, Anoopkumar Sonar

机构 * Department of Mechanical and Aerospace Engineering（1,2 机械与航空航天工程系） ； Department of Computer Science Princeton University（3 计算机科学系 纽约大学普林斯顿分校） 纠错

AI总结 本文提出了一种基于PAC-Bayes框架的机器人策略学习方法，通过在新环境中泛化能力的理论分析，为机器人系统提供强泛化保证。

Comments Extended version of paper presented at the 2018 Conference on Robot Learning (CoRL)

Solving high-dimensional partial differential equations using deep learning

利用深度学习解决高维偏微分方程

Jiequn Han, Arnulf Jentzen, Weinan E

机构 * Program in Applied and Computational Mathematics, Princeton University（普林斯顿大学应用与计算数学项目） ； Department of Mathematics, Princeton University（普林斯顿大学数学系） ； Beijing Institute of Big Data Research, Beijing（北京大数据研究院） 纠错

AI总结 本文提出了一种基于深度学习的方法，用于解决高维抛物型偏微分方程，通过将偏微分方程转化为反向随机微分方程，并利用神经网络近似未知解的梯度，有效提高了高维问题的准确性和效率。

Comments 13 pages, 6 figures

Journal ref Proceedings of the National Academy of Sciences, 115(34), 8505-8510 (2018)

Machine learning approximation algorithms for high-dimensional fully nonlinear partial differential equations and second-order backward stochastic differential equations

基于机器学习的近似算法用于高维非线性偏微分方程和二阶反向随机微分方程

Christian Beck, Weinan E, Arnulf Jentzen

机构 * ETH Zurich（苏黎世联邦理工学院） ； Beijing Institute of Big Data Research（北京大数据研究院） ； Princeton University（普林斯顿大学） ； Peking University（北京大学） 纠错

AI总结 本文提出了一种基于机器学习的高维非线性二阶偏微分方程的求解方法，通过将非线性偏微分方程与二阶反向随机微分方程联系起来，并利用深度神经网络进行空间近似和随机梯度下降优化，展示了该方法在高维Black-Scholes-Barenblatt方程、Hamilton-Jacobi-Bellman方程和非线性期望问题中的高效性和准确性。

Comments 56 pages, 12 figures

Journal ref J. Nonlinear Sci. 29, 1563-1619 (2019)

Deep learning-based numerical methods for high-dimensional parabolic partial differential equations and backward stochastic differential equations

基于深度学习的高维抛物型偏微分方程和反向随机微分方程的数值方法

Weinan E, Jiequn Han, Arnulf Jentzen

机构 * Beijing Institute of Big Data Research (China)（北京大数据研究院（中国）） ； Princeton University (USA)（普林斯顿大学（美国）） ； Peking University (China)（北京大学（中国）） ； ETH Zurich (Switzerland)（苏黎世联邦理工学院（瑞士）） 纠错

AI总结 本文提出了一种基于深度学习的算法，通过将反向随机微分方程与强化学习类比，利用解的梯度作为策略函数，采用神经网络近似策略函数，有效解决了高维非线性偏微分方程和反向随机微分方程的问题。

Comments 39 pages, 15 figures

Journal ref Commun. Math. Stat. 5, 349-380 (2017)

Gradient Descent with Random Initialization: Fast Global Convergence for Nonconvex Phase Retrieval

梯度下降与随机初始化：非凸相位恢复的快速全局收敛性

Yuxin Chen, Yuejie Chi, Jianqing Fan, Cong Ma

机构 * Department of Electrical Engineering, Princeton University（普林斯顿大学电气工程系） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系） ； Department of Operations Research and Financial Engineering, Princeton University（普林斯顿大学运筹学与金融工程系） 纠错

AI总结 本文研究了通过二次方程恢复目标对象的问题，证明了在高斯设计下，随机初始化的梯度下降能在O(log n + log(1/ε))次迭代中获得ε精度的解，从而实现了计算和样本复杂度的近最优性，为相位恢复提供了首个无需精心设计初始化、样本分割或复杂鞍点逃离方案的全局收敛保证。

Comments Accepted to Mathematical Programming

Journal ref Mathematical Programming 2019, Volume 176, Issue 1-2, 5-37

Minima distribution for global optimization

全局优化的极小值分布

Xiaopeng Luo

机构 * Department of Chemistry, Princeton University（普林斯顿大学化学系） 纠错

AI总结 本文研究了任意连续函数在紧集上的极小值分布问题，提出了一种新的极小值分布函数构造方法，并建立了与目标函数和紧集相关的单调收敛序列，最终确定了连续可微函数的极小值集收缩率。

Comments 19 pages, 6 figures

A Discrete Empirical Interpolation Method for Interpretable Immersion and Embedding of Nonlinear Manifolds

一种用于非线性流形可解释沉浸与嵌入的离散经验插值方法

Samuel E. Otto, Clarence W. Rowley

机构 * Mechanical and Aerospace Engineering, Princeton University（普林斯顿大学机械与航空航天工程系） 纠错

AI总结 本文提出了一种扩展的离散经验插值方法（DEIM），用于在非线性流形上进行可解释的沉浸与嵌入，通过同时应用 pivoted QR 过程于局部线性近似块，实现一种新的同时 pivoted QR（SimPQR）算法，从而在真实数据中有效应用非线性 DEIM（NLDEIM）坐标。

Comments Minor typos corrected in version 2

Task-Driven Estimation and Control via Information Bottlenecks

基于信息瓶颈的任务驱动估计与控制

Vincent Pacelli, Anirudha Majumdar

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文提出了一种基于信息瓶颈理论的任务驱动估计与控制框架，通过任务相关的变量构建高效表示，并设计了在线算法进行状态估计以实现鲁棒的控制策略。

Comments 9 pages, 4 figures, abridged version accepted to ICRA2019; Incorporates changes in final conference submission

Online Control with Adversarial Disturbances

对抗性扰动下的在线控制

Naman Agarwal, Brian Bullins, Elad Hazan, Sham M. Kakade, Karan Singh

机构 * Google AI Princeton（谷歌AI普林斯顿） ； Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） ； Allen School of Computer Science and Engineering（阿伦计算机科学与工程学院） 纠错

AI总结 本文研究了在存在对抗性扰动的线性动态系统中的在线控制问题，提出了一种高效的算法，该算法在几乎紧致的 regret 绑定下实现了接近全知扰动的控制效果，同时扩展了先前工作的两个主要方面：允许动态中的对抗性噪声和一般的凸成本。

A Universal Sampling Method for Reconstructing Signals with Simple Fourier Transforms

一种适用于使用简单傅里叶变换重建信号的通用采样方法

Haim Avron, Michael Kapralov, Cameron Musco, Christopher Musco, Ameya Velingker, Amir Zandieh

机构 * Tel Aviv University（特拉维夫大学） ； EPFL（瑞士联邦理工学院） ； Microsoft Research（微软研究院） ； Princeton University（普林斯顿大学） ； Google Research（谷歌研究院） 纠错

AI总结 本文提出了一种通用采样方法，用于通过少量离散样本重建连续信号，该方法基于信号的傅里叶结构约束，并展示了其在多带信号重建和高斯过程回归等任务中的有效性。

Spectral Filtering for General Linear Dynamical Systems

谱滤波用于通用线性动态系统

Elad Hazan, Holden Lee, Karan Singh, Cyril Zhang, Yi Zhang

机构 * Department of Computer Science, Princeton University（普林斯顿大学计算机科学系） ； Google Brain（谷歌大脑） ； Department of Mathematics, Princeton University（普林斯顿大学数学系） 纠错

AI总结 本文提出一种多项式时间算法，用于学习无系统识别假设的隐状态线性动态系统，无需假设系统转移矩阵的谱半径。该算法扩展了谱滤波技术，通过新的凸松弛方法高效识别相位。

Collective Motion under Beacon-referenced Cyclic Pursuit

基于信标参考的循环追捕运动

Kevin S. Galloway, Biswadip Dey

机构 * Electrical and Computer Engineering Department, United States Naval Academy, Annapolis, MD 21402, USA（美国海军学院电气与计算机工程系） ； Department of Mechanical and Aerospace Engineering, Princeton University, Princeton, NJ 08544, USA（普林斯顿大学机械与航空航天工程系） 纠错

AI总结 本文提出基于信标参考的循环追捕法则，通过引入静止信标作为额外参考，研究集体机器人在循环框架下的环形运动均衡及稳定性，推导了参数选择的必要条件，并探讨了保持集体纯形状的不变流形。

Provable Alternating Gradient Descent for Non-negative Matrix Factorization with Strong Correlations

可证明的非负矩阵分解交替梯度下降法用于强相关性情况

Yuanzhi Li, Yingyu Liang

机构 * Princeton University（普林斯顿大学） 纠错

AI总结 本文提出了一种简单的交替梯度下降算法，证明在强相关性下能有效恢复真实特征矩阵，并展示了其在噪声下的鲁棒性。

Comments Accepted to the International Conference on Machine Learning (ICML), 2017

Any2Poster: Any-Source Poster Generation Across Modalities and Domains

Any2Poster: 跨模态和领域的任意源海报生成

Amogh Vinaykumar, Aiden Li, Suozhi Huang, Shilong Liu

机构 * Flower Mound High School（弗洛拉穆恩高中） ； University College London（伦敦大学学院） ； Princeton University（普林斯顿大学） 纠错

AI总结 提出Any2Poster Bench基准和Any2Poster Agent智能体，实现从多种输入模态和领域生成海报，并通过基于测验和视觉评估的方法验证信息保真度和视觉传达效果。

Comments Project Page: https://github.com/Any2Poster/Any2Poster

GLENS: Global Search via Learning from Solver Iterates with Diffusion Models

GLENS: 通过扩散模型从求解器迭代中学习进行全局搜索

Anjian Li, Bartolomeo Stellato, Ryne Beeson

机构 * Department of Electrical and Computer Engineering, Princeton University（电气工程与计算机科学系，普林斯顿大学） ； Department of Operations Research and Financial Engineering, Princeton University（运筹学与金融工程系，普林斯顿大学） ； Department of Mechanical and Aerospace Engineering, Princeton University（机械与航空航天工程系，普林斯顿大学） 纠错

AI总结 提出GLENS方法，利用扩散模型学习求解器迭代过程中的局部几何结构，生成高质量且多样化的初始猜测，加速多模态非凸优化问题的全局搜索。

Massive Spikes in LLMs are Bias Vectors: Mechanistic Uncovering and Spike-Free Quantization

LLM中的大规模尖峰是偏置向量：机制揭示与无尖峰量化

Yung-Chin Chen, Chung Peng Lee, Ze-Wei Liou, Naveen Verma

机构 * Princeton University（普林斯顿大学） ； EnCharge AI 纠错

AI总结 本文通过机制分析发现LLM中的激活尖峰本质上是结构化的向量偏置，并提出无尖峰量化框架INSERTQUANT，实现鲁棒的低比特量化。

Multilingual Idioms in Sentences and Conversations Across High-, Medium-, and Low-Resource Languages

高、中、低资源语言中的句子和对话多语言习语

Saeed Almheiri, Bilal Elbouardi, Salsabila Zahirah Pranida, Irina Nikishina, Ashwath Rao B, Parameswari Krishnamurthy, Muhammad Cendekia Airlangga, Rifo Ahmad Genadi, Nguyen Phan Gia Bao, Amir Hossein Yari, Hawau Olamide Toyin, Nurdaulet Mukhituly, Mena Attia, Besher Hassan, Ahmad Fathan Hidayatullah, Tatsuki Kuribayashi, Haonan Li, Suma Bhat, Fajri Koto

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德大学人工智能大学） ； University of Hamburg（汉堡大学） ； Manipal University（曼印大学） ； IIIT Hyderabad（海得拉尔IIIT） ； University of Science and Technology of Hanoi（河内科学技术大学） ； Universitas Islam Indonesia（印尼伊斯兰大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 针对多语言习语理解，构建了覆盖3种高资源、3种中资源和12种低资源语言的MIDI数据集，包含句子和对话上下文中的字面与比喻用法，实验表明低资源语言理解更差，字面义比比喻义更难，对话上下文虽有改善但未消除差距。

RoboTrustBench: Benchmarking the Trustworthiness of Video World Models for Robotic Manipulation

RoboTrustBench：机器人操作视频世界模型的可信度基准测试

Huiqiong Li, Jiayu Wang, Zhiting Mei, Anirudha Majumdar, Jingjing Chen, Bin Zhu

机构 * Singapore Management University（新加坡国立管理学院） ； Fudan University（复旦大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 针对视频世界模型在机器人操作中的可信度问题，提出RoboTrustBench基准，包含正常、约束敏感、反事实和对抗四种场景，通过专家验证的指令-图像对和六维评估协议，发现当前模型在约束推理、反事实基础、物理交互和不安全指令抑制方面存在不足。

Comments Project: https://huiqiongli.github.io/RoboTrustBench/

MomentKV: Closing the Directional Gap in KV Cache Eviction for Long-Context Inference

MomentKV：消除长上下文推理中KV缓存驱逐的方向差距

Yu Li, Binxu Li, Tian Lan

机构 * George Washington University（乔治·华盛顿大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 针对长上下文推理中KV缓存驱逐导致输出退化的问题，提出MomentKV方法，通过维护驱逐令牌集的矩统计量（计数、键均值、值均值和值-键协方差）来识别与累积摘要对齐的令牌，并在推理时提供驱逐注意力输出的一阶近似，实现选择性驱逐与精确校正的相互增强。

Emergent Transfer of a Physics Foundation Model from Simulation to Laboratory Turbulence

物理基础模型从模拟到实验室湍流的涌现迁移

Payel Mukhopadhyay, Stefan S. Nixon, Romain Watteaux, Michael McCabe, Alberto Bietti, Kyunghyun Cho, Cristiana Diaconu, Irina Espejo Morales, David Fouhey, Siavash Golkar, Tom Hehir, Shirley Ho, Jake Kovalic, Geraud Krawezik, Francois Lanusse, Tanya Marwah, Rudy Morel, Mariel Pettee, Helen Qu, Jeff Shen, Hadi Sotoudeh, Stuart B. Dalziel, Miles Cranmer

机构 * University of Cambridge（剑桥大学） ； CEA, DAM/DIF（法国CEA DAM/DIF） ； Flatiron Institute（Flatiron研究所） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） ； Yale University（耶鲁大学） ； AIM, Université Paris-Saclay, Université Paris Cité, CEA, CNRS（AIM，巴黎-萨克雷大学，巴黎城市大学，CEA，CNRS） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Polymathic AI（聚合人工智能） 纠错

AI总结 通过微调连续介质动力学基础模型Walrus，在仅使用少量模拟数据的情况下，零样本泛化到实验室瑞利-泰勒不稳定性实验，揭示了初始条件在模拟-实验差距中的关键作用。

GraspGen-X: Cross-Embodiment 6-DOF Diffusion-based Grasping

GraspGen-X: 跨形态6自由度扩散抓取

Beining Han, Yu-Wei Chao, Erwin Coumans, Clemens Eppner, Balakumar Sundaralingam, Jia Deng, Stan Birchfield, Adithyavairavan Murali

机构 * NVIDIA ； Princeton University（普林斯顿大学） 纠错

AI总结 提出一种基于扩散模型的跨形态6自由度抓取方法，通过扫描体积启发式编码夹爪表示，在20亿抓取数据上训练，实现对新物体、场景和夹爪形态的零样本泛化。