University of Toronto（多伦多大学）

Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers

形式化，而非优化：LLM生成组合求解器中的启发式陷阱

Haoyu Wang, Yuliang Song, Tao Li, Zhiwei Deng, Yaqing Wang, Deepak Ramachandran, Eldan Cohen, Dan Roth

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Toronto（多伦多大学） ； Google DeepMind（谷歌DeepMind） ； Oracle AI（Oracle人工智能） 纠错

AI总结 本文研究LLM生成组合求解器时形式化与优化的矛盾，通过CP-SynC-XL基准测试，发现Python+OR-Tools在正确性上最优，而MiniZinc+OR-Tools虽使用相同后端但覆盖度较低，启发式优化导致部分问题速度下降和正确性降低。

Sampling-Based Follow-the-Leader Motion Planning for Manipulator-Mounted Continuum Robots

基于采样的跟随者-领导者运动规划用于机械臂搭载的连续机器人

Chengnan Shentu, Nicholas Baldassini, Oluwagbotemi D. Iseoluwa, Radian Gondokaryono, Jessica Burgner-Kahrs

机构 * University of Toronto（多伦多大学） 纠错

AI总结 本文提出了一种基于采样的跟随者-领导者运动规划方法，用于机械臂搭载的连续机器人，通过分离全局形状搜索与基座姿态确定，实现高效规划与高精度路径跟踪。

Extending Kernel Trick to Influence Functions

将核技巧扩展到影响函数

Zhenhuan Sun, Shahrokh Valaee

机构 * University of Toronto（多伦多大学） 纠错

AI总结 本文提出影响函数的双表示形式，其计算复杂度随数据集规模而非模型规模增长。在模型规模远大于数据集规模或原影响函数在参数空间评估不可行时，该方法能高效估计数据点移除对参数、模型输出和损失的影响。但该方法仅适用于可线性化模型，需生成一个随模型输出维度和数据集规模乘积增长的矩阵。

Stargazer: A Scalable Model-Fitting Benchmark Environment for AI Agents under Astrophysical Constraints

Stargazer：一种可扩展的AI代理在天体物理约束下的模型拟合基准环境

Xinge Liu, Terry Jingchen Zhang, Bernhard Schölkopf, Zhijing Jin, Kristen Menou

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

AI总结 Stargazer通过120个任务评估AI代理在动态物理约束下的模型拟合能力，揭示了数值优化与物理约束间的差距，并提供了可扩展的评估框架。

A Soft Robotic Demonstration in the Stratosphere

平流层中的软机器人演示

Codrin Tugui, Tirth Thakar, Anatol Gogoj, Alexander White, Ang Leo Li, Alexander Yin, Edward Pomianek, Mihai Duduta

机构 * University of Connecticut, School of Mechanical, Aerospace, and Manufacturing Engineering（康奈尔大学机械、航空航天与制造工程学院） ； Institute of Macromolecular Chemistry Petru Poni（彼得·波尼宏观分子化学研究所） ； University of Toronto, Department of Mechanical and Industrial Engineering（多伦多大学机械与工业工程系） 纠错

AI总结 本文提出一种新型硅基弹性体，通过紫外光交联机制提升其在极端环境下的适应性和机械性能，用于平流层高海拔气球实验中展示软机器人技术的可行性。

Revisiting GAN with Bayes-Optimal Discrimination

重新审视GAN与贝叶斯最优判别

Mohammadreza Tavasoli Naeini, Ali Bereyhi, Morteza Noshad, Ben Liang, Alfred O. Hero

机构 * University of Toronto（多伦多大学） ； Stanford University（斯坦福大学） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出通过贝叶斯最优判别误差率（BER）优化GAN训练，引入BOLT损失函数，改进生成器性能，提升样本质量和覆盖范围。

Model-Level GNN Explanations via Rule-to-Graph Readout for Logit Reconstruction

通过规则到图读取实现模型级GNN解释用于logit重建

Shengyao Lu, Jiuding Yang, Aedan J. DeFrates, Keith G. Mills, Baochun Li, Di Niu

机构 * University of Victoria（维多利亚大学） ； University of Alberta（阿尔伯塔大学） ； LSU ATHENA Lab（路易斯安那州立大学ATHENA实验室） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出基于规则的图神经网络解释框架，通过规则级读取重建logit，实现全局解释与子图接地，提升预测一致性并加快速度。