University of California, Berkeley（加州大学伯克利分校）

Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment

利用对抗分布对齐方法通过生成模型弥合仿真与实验之间的差距

Kai Nelson, Tobias Kreiman, Sergey Levine, Aditi S. Krishnapriyan

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种数据驱动的分布对齐框架，通过预训练生成模型并将其与实验数据对齐，解决仿真与实验之间的差距问题，验证了其在分子和实验蛋白质数据上的有效性。

Forecasting Motion in the Wild

野外运动预测

Neerja Thakkar, Shiry Ginosar, Jacob Walker, Jitendra Malik, Joao Carreira, Carl Doersch

机构 * UC Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） 纠错

AI总结 本文提出密集点轨迹作为行为视觉标记，设计扩散变换器模型，实现复杂运动模式的预测，并通过300小时野生动物视频验证了其高效性和泛化能力。

Comments project page: https://motion-forecasting.github.io/

Deconfounding Scores and Representation Learning for Causal Effect Estimation with Weak Overlap

去混淆分数与因果效应估计中的弱重叠

Oscar Clivio, Alexander D'Amour, Alexander Franks, David Bruns-Smith, Chris Holmes, Avi Feller

机构 * University of Oxford（牛津大学） ； Google DeepMind（谷歌DeepMind） ； University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Stanford University（斯坦福大学） ； Ellison Institute of Technology（埃里森技术研究所） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出去混淆分数以改善因果效应估计中的重叠问题，通过最小化重叠分歧并推导广义线性模型下的闭式表达式，验证了前瞻性分数在该类中的最优性。

Comments To appear at AISTATS 2026

Multi-Camera View Scaling for Data-Efficient Robot Imitation Learning

多摄像头视角缩放用于数据高效的机器人模仿学习

Yichen Xie, Yixiao Wang, Shuqi Zhao, Cheng-En Wu, Masayoshi Tomizuka, Jianwen Xie, Hao-Shu Fang

机构 * UC Berkeley（加州大学伯克利分校） ； Lambda, Inc（Lambda公司） ； MIT（麻省理工学院） 纠错

AI总结 本文提出一种利用场景多样性提升机器人模仿学习数据效率的方法，通过摄像头视角缩放生成伪演示，增强视觉表示的视角不变性，并在仿真和现实任务中验证了其有效性。

RT-GS: Gaussian Splatting with Reflection and Transmittance Primitives

RT-GS：基于反射和透射原语的高斯散射

Kunnong Zeng, Chensheng Peng, Yichen Xie, Masayoshi Tomizuka, Cem Yuksel

机构 * University of Utah（犹他大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 RT-GS通过整合微面材料模型与光线追踪，解决高斯散射中同时建模镜面反射和半透明表面后物体外观的问题，提升视图合成的真实感。

Regularizing Extrapolation in Causal Inference

在因果推断中正则化外推

David Arbour, Harsh Parikh, Bijan Niknam, Elizabeth Stuart, Kara Rudolph, Avi Feller

机构 * Adobe Research（Adobe研究院） ； Yale University（耶鲁大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Columbia University（哥伦比亚大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出统一框架，通过正则化外推水平来改进因果推断中的外推问题，引入偏倚-偏倚-方差权衡，并通过合成实验和实际应用验证其有效性。

Speaker Disentanglement of Speech Pre-trained Model Based on Interpretability

基于可解释性的语音预训练模型说话人解耦

Xiaoxu Zhu, Junhua Li, Aaron J. Li, Guangchao Yao, Xiaojie Yu

机构 * XPENG Motors（小鹏汽车） ； China National Aviation Fuel Group Limited（中国航空油料集团有限公司） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出InterpTRQE-SptME和InterpTF-SptME，通过SHAP分析量化并过滤语音嵌入中的说话人信息，实验显示在保持识别准确率的同时显著降低说话人残留信息。

Comments 5 pages, 4 figures

High Probability Complexity Bounds of Trust-Region Stochastic Sequential Quadratic Programming with Heavy-Tailed Noise

信任区域随机序列二次规划的高概率复杂度界限

Yuchen Fang, Javad Lavaei, Sen Na

机构 * University of California, Berkeley（加州大学伯克利分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出了一种信任区域随机序列二次规划方法，针对具有随机目标和确定性等式约束的非线性优化问题，建立了高概率迭代复杂度界限，以识别一阶和二阶ε-驻点，尤其在处理重尾噪声时扩展了二阶驻点分析。

Comments 66 pages, 7 figures

Certifiably Robust RAG against Retrieval Corruption

可验证的对抗检索污染的RAG

Chong Xiang, Tong Wu, Zexuan Zhong, David Wagner, Danqi Chen, Prateek Mittal

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

AI总结 本文提出RobustRAG，通过隔离-聚合策略有效防御检索污染攻击，并在三个数据集和三个LLM上验证了其在开放领域问答和自由文本生成中的有效性。

DreamControl-v2: Simpler and Scalable Autonomous Humanoid Skills via Trainable Guided Diffusion Priors

DreamControl-v2：通过可训练引导扩散先验实现更简单且可扩展的自主人形技能

Sudarshan Harithas, Sangkyung Kwak, Pushkal Katara, Srujan Deolasee, Dvij Kalaria, Srinath Sridhar, Sai Vemprala, Ashish Kapoor, Jonathan Chung-Kuan Huang

机构 * General Robotics, USA（美国通用机器人公司） ； Brown University, USA（美国布朗大学） ； University of California, Berkeley, USA（美国加州大学伯克利分校） 纠错

AI总结 本文提出改进的DreamControl框架，通过在人形机器人运动空间中训练引导扩散模型，整合多样化的人类和机器人数据集，提升技能范围和自动化程度，验证了生成参考轨迹的扩展性对下游RL策略的重要性。

Automated Identification of Logical Errors in Programs: Advancing Scalable Analysis of Student Misconceptions

程序逻辑错误的自动识别：推进学生误解的可扩展分析

Muntasir Hoq, Ananya Rao, Reisha Jaishankar, Krish Piryani, Nithya Janapati, Jessica Vandenberg, Bradford Mott, Narges Norouzi, James Lester, Bita Akram

机构 * NC State University（北卡罗来纳州立大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出一种可扩展框架，用于自动检测学生编程解决方案中的逻辑错误，通过可解释的AST嵌入模型SANN，提供对学习过程的深入洞察，提升编程教育。

Comments Accepted for publication at the 18th International Conference on Educational Data Mining (EDM), 2025