University of Toronto（多伦多大学）

BeyondSight: Object Permanence for End-to-End Autonomous Driving

超越视野：端到端自动驾驶中的物体持久性

Sandro Papais, Letian Wang, Mudit Jain, Behnaz Rezaei, Steven L. Waslander

机构 * University of Toronto（多伦多大学） ； Qualcomm Technologies, Inc.（高通技术公司） 纠错

AI总结 研究针对自动驾驶中物体易被遮挡问题，提出超越视野框架，通过维持持久物体假设解耦物体存在与可观测性，引入nuScenes - Permanence用于训练评估，实验证明该框架显著提升遮挡推理能力，凸显物体持久性对自动驾驶的重要性。

Comments Accepted to ECCV 2026

Vision Transformers Learn Gestalt-Like Figure-Ground Cues from Natural Images

视觉Transformer从自然图像中学习格式塔样的图形-背景线索

Matthias Tangemann, Benjamin Lo, Zygmunt Pizlo, Kaleem Siddiqi, Dirk B. Walther, Sven Dickinson

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； McGill University（麦吉尔大学） ； MILA（蒙特利尔学习算法研究院） ； UC Irvine（加州大学欧文分校） 纠错

AI总结 研究评估视觉Transformer中基于形状的图形-背景组织，通过拟合线性探针，用自然图像和人工刺激测试25个ViT，发现其能编码被包围性和凸性，自然图像训练的探针可零样本泛化，对称性结果有别，证明线索可从自然场景学，ViT是研究感知组织的有力模型。

Enhancing AI and Dynamical Subseasonal Forecasts with Probabilistic Bias Correction

通过概率性偏误校正增强人工智能和动力学亚季预测

Hannah Guan, Soukayna Mouatadid, Paulo Orenstein, Judah Cohen, Haiyu Dong, Zekun Ni, Jeremy Berman, Genevieve Flaspohler, Alex Lu, Jakob Schloer, Joshua Talib, Jonathan A. Weyn, Lester Mackey

机构 * Harvard College（哈佛学院） ； University of Toronto（多伦多大学） ； Instituto de Matemática Pura e Aplicada（数学与应用数学研究所） ； Massachusetts Institute of Technology（麻省理工学院） ； Atmospheric and Environmental Research（大气与环境研究） ； Microsoft Corporation（微软公司） ； Rhiza Research（Rhiza研究） ； Microsoft Research New England（微软新英格兰研究院） ； European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心） 纠错

AI总结 本文提出概率性偏误校正方法，通过学习历史概率预测来减少系统性误差，显著提升亚季预测能力，应用于ECMWF模型后，AI预测系统技能翻倍，操作性去偏模型在91%压力、92%温度和98%降水目标上表现更优。

ReinforceGen: Hybrid Skill Policies with Automated Data Generation and Reinforcement Learning

ReinforceGen：具有自动数据生成和强化学习的混合技能策略

Zihan Zhou, Animesh Garg, Ajay Mandlekar, Caelan Garrett

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 针对机器人长期操纵挑战，ReinforceGen系统结合任务分解、数据生成、模仿学习与运动规划形成初始方案，经强化学习微调，在Robosuite数据集基准测试中成功率达80%，消融研究显示微调使性能平均提升89%，实际评估也有显著改进。

LDPKiT: Superimposing Remote Queries for Privacy-Preserving Distillation

LDPKiT：用于隐私保护蒸馏的远程查询叠加

Kexin Li, Aastha Mehta, David Lie

机构 * University of Toronto（多伦多大学） ； The University of British Columbia（不列颠哥伦比亚大学） 纠错

AI总结 研究针对模型远程推理的隐私问题，提出LDPKiT框架，利用私有数据并限制隐私泄露。通过叠加技术生成样本，在局部差分隐私下实现知识转移。实验表明该框架能在保持隐私时提高效用，还进行了敏感性分析等提供见解。

Comments 18 pages, published at the 6th International Workshop on Advances on Security and Privacy Technologies and Solutions (IWAPS) co-located with the International Conference on Availability, Reliability and Security (ARES), Linköping, Sweden, August 24 - 27, 2026

STITCH-OPE: Trajectory Stitching with Guided Diffusion for Off-Policy Evaluation

STITCH-OPE：基于引导扩散的轨迹拼接用于离线策略评估

Hossein Goli, Michael Gimelfarb, Nathan Samuel de Lara, Haruki Nishimura, Masha Itkina, Florian Shkurti

机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； University of Toronto Robotics Institute（多伦多大学机器人研究所） ； Toyota Research Institute（丰田研究院） ； Vector Institute（向量研究所） 纠错

AI总结 STITCH-OPE通过引导扩散生成长周期轨迹，有效降低OPE中的方差，提升在高维空间中的评估性能。

Journal ref Advances in Neural Information Processing Systems 38 (NeurIPS 2025), 2025