Stanford University（斯坦福大学）

Navigating the Proximity-Safety Balance: Constraint Decomposition for Human Following in Pedestrian Crowds

权衡 proximity 与安全：人群中跟随目标行人的约束分解方法

Shiting Gong, Jianpeng Yao, Jinfeng Wang, Marco Pavone, Jiachen Li

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Riverside（加州大学河滨分校） ； Stanford University（斯坦福大学） ； NVIDIA Research（英伟达研究院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 该研究针对人群中行人跟随的 proximity 与安全平衡问题，提出多约束强化学习框架，量化行人运动不确定性以增强安全性，经实验和真实机器人部署验证了方法的有效性。

Comments IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026); Project Website: https://nav-ps-balance.github.io/

ENCORE: Efficient Noise Context-Aware Representation for Low-Dose CT Denoising

ENCORE：面向低剂量CT去噪的高效噪声上下文感知表示

Minwoo Yu, N. Robert Bennett, Jongduk Baek, Adam S. Wang

机构 * Yonsei University（延世大学） ； Stanford University（斯坦福大学） 纠错

AI总结 针对低剂量CT去噪的传统模型未适配CT噪声特性的问题，提出ENCORE框架，含FlyingConv模块，实现去噪质量与效率提升，还可进行零样本条件去噪。

CARD: Controlled Agentic Reddit Discussions for Credit Card Simulation

CARD：用于信用卡模拟的受控智能体Reddit讨论框架

Yaoning Yu, Kai-Min Chang, Ye Yu, Yi-Chia Wang, Haojing Luo, Haohan Wang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； U.S. Bank（美国银行） ； Stanford University（斯坦福大学） 纠错

AI总结 本研究提出CARD框架，通过规划器、生成器与校准循环，结合多维度控制项生成逼真信用卡讨论线程，经多指标评估，其效果优于多种LLM模拟基线。

SpeedTuning: Speeding Up Policy Execution with Lightweight Reinforcement Learning

SpeedTuning：用轻量强化学习加速策略执行

David D. Yuan, Tony Z. Zhao, Kaylee Burns, Chelsea Finn

机构 * Stanford University（斯坦福大学） 纠错

AI总结 SpeedTuning是一种轻量强化学习框架，可预测动作最优执行速度，在无需额外数据采集的情况下，将机器人操作策略加速超2.4倍且保持足够成功率，适用于多种动态精确任务。

Comments 10 pages, 12 figures. This arXiv version includes an appendix with qualitative simulation rollouts and additional ablations. Published at ICRA 2025

Journal ref 2025 IEEE International Conference on Robotics and Automation (ICRA), pp. 1184-1192, 2025

Why Do Safety Guardrails Degrade Across Languages?

为何安全护栏在不同语言中会退化？

Max Zhang, Ameen Patel, Sang T. Truong, Sanmi Koyejo

机构 * Stanford University（斯坦福大学） 纠错

AI总结 该研究通过引入多组项目反应理论框架，揭示了语言无关的安全鲁棒性、提示内在难度、全球语言处理难度和提示特定的跨语言安全差距等因素，发现安全退化并非仅在低资源语言中发生，且文化与概念不匹配也会影响安全性能。

Comments Poster at Conference on Language Modeling (COLM 2026)

Scaling Self-Play with Self-Guidance

通过自我指导实现自我对弈的扩展

Luke Bailey, Kaiyue Wen, Kefan Dong, Tatsunori Hashimoto, Tengyu Ma

机构 * Stanford University（斯坦福大学） 纠错

AI总结 本文提出Self-Guided Self-Play算法，通过语言模型自身引导Conjecturer避免退化，解决传统自我对弈在计算资源扩展时的学习停滞问题，并在形式化定理证明中验证其有效性。

SatIR: Scalable High-Recall Constraint-Satisfaction-Based Information Retrieval for Clinical Trials Matching

SatIR：可扩展的高召回率约束满足基于信息检索的临床试验匹配

Zikai Zhou, Yufei Jin, Yilin Xu, Yu-Chiang Wang, Chieh-Ju Chao, Monica S. Lam

机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Samueli Electrical and Computer Engineering, UCLA（UCLA Samueli电气与计算机工程系） ； Department of Computer Science and Informatics, Emory University（埃默里大学计算机科学与信息学系） ； Mayo Clinic（梅奥诊所） 纠错

AI总结 SatIR通过将临床试验资格条件和摘要转化为形式约束，结合SMT、关系代数和大语言模型，提升了临床试验匹配的召回率和效率，优于基于相似度的基线方法。

No Single Best Model for Diversity: Learning a Router for Sample Diversity

没有单一最佳模型用于多样性：学习一个路由器以实现样本多样性

Yuhan Liu, Fangyuan Xu, Vishakh Padmakumar, Daphne Ippolito, Eunsol Choi

机构 * New York University（纽约大学） ； Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文研究了如何通过路由器选择最佳模型以生成多样化的响应，发现无单一模型在广泛提示下表现最佳，且在不同数据集上具有泛化能力。

Comments Accepted to COLM 2026

Multiplayer Nash Preference Optimization

多玩家纳什偏好优化

Fang Wu, Xu Huang, Weihao Xuan, Zhiwei Zhang, Yijia Xiao, Guancheng Wan, Xiaomin Li, Bing Hu, Peng Xia, Jure Leskovec, Yejin Choi

机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所智能系统研究中心） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； UNC–Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

AI总结 本文提出多玩家纳什偏好优化框架，扩展了传统的两玩家纳什对齐方法，通过引入多玩家博弈机制，提升对复杂非传递性人类偏好的对齐能力，并在多个基准测试中表现更优。

Journal ref ICLR 2026 Oral

Injecting Hallucinations in Autonomous Vehicles: A Component-Agnostic Safety Evaluation Framework

向自动驾驶汽车注入幻觉：一种与组件无关的安全评估框架

Alexandre Moreira Nascimento, Gabriel Kenji Godoy Shimanuki, Lúcio Flavio Vismari, João Batista Camargo, Jorge Rady de Almeida, Paulo Sergio Cugnasca, Anna Carolina Muller Queiroz, Jeremy Noah Bailenson

机构 * Department of Communication, University of Miami, Coral Gables, FL 33124 USA（迈阿密大学通信系） ； Department of Communication, Stanford University, Stanford, CA 94305-2050 USA（斯坦福大学通信系） 纠错

AI总结 本研究提出一种与组件无关的自动驾驶汽车幻觉注入框架，经18350余次仿真验证，可量化各类幻觉对碰撞的影响，能加速自动驾驶汽车安全验证并缩短其上市时间。

Comments 27 pages, 16 figures, 27 tables