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

Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory

Omni-SimpleMem：自主研究引导的终身多模态代理记忆发现

Jiaqi Liu, Zipeng Ling, Shi Qiu, Yanqing Liu, Siwei Han, Peng Xia, Haoqin Tu, Zeyu Zheng, Cihang Xie, Charles Fleming, Mingyu Ding, Huaxiu Yao

机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California Berkeley（加州大学伯克利分校） ； Cisco（思科） 纠错

AI总结 本文提出Omni-SimpleMem，通过自主研究流程发现多模态记忆框架，提升AI代理的长期记忆能力，其核心贡献在于通过自动实验发现架构改进、数据管道修复等关键突破，超越传统AutoML。

ReFormeR: Learning and Applying Explicit Query Reformulation Patterns

ReFormeR：学习和应用显式查询改写模式

Amin Bigdeli, Mert Incesu, Negar Arabzadeh, Charles L. A. Clarke, Ebrahim Bagheri

机构 * University of Waterloo（滑铁卢大学） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 ReFormeR通过提取并整合查询改写模式，引导LLM进行受控的改写操作，提升检索效果。

SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization

SA-CycleGAN-2.5D：基于三平面上下文的自注意力CycleGAN用于多中心MRI和谐化

Ishrith Gowda, Chunwei Liu

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

AI总结 本文提出SA-CycleGAN-2.5D框架，通过三平面流形注入、密集自注意力生成器和频谱归一化判别器，解决多中心MRI数据中的扫描器偏移问题，显著降低MMD并提升和谐化效果。

Comments 12 pages, 5 figures, 5 tables. Submitted to MICCAI 2026

Agentified Assessment of Logical Reasoning Agents

具有代理特性的逻辑推理代理评估

Zhiyu Ni, Yifeng Xiao, Zheng Liang

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

AI总结 本文提出一种评估和基准测试逻辑推理代理的框架，通过代理评估实现可重复、可审计和抗执行失败的评估。案例研究中，自动形式化代理在FOLIO验证集上以86.70%的准确率超越了基线方法。

Comments Accepted at ICLR 2026 Agents in the Wild (AIWILD) Workshop. 5 pages, 2 figures, 1 table

Ratio Covers of Convex Sets and Optimal Mixture Density Estimation

凸集的比率覆盖与最优混合密度估计

Spencer Compton, Gábor Lugosi, Jaouad Mourtada, Jian Qian, Nikita Zhivotovskiy

机构 * Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Economics and Business, Pompeu Fabra University, Barcelona, Spain（庞培法布拉大学经济与商业系） ； ICREA, Barcelona, Spain（巴塞罗那ICREA） ； Barcelona Graduate School of Economics（巴塞罗那经济学研究生院） ； Department of Statistics, CREST/ENSAE Paris, Palaiseau, France（CREST/ENSAE巴黎统计系） ； Department of AI and Data Science, The University of Hong Kong（香港大学人工智能与数据科学系） ； Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计系） 纠错

AI总结 本文研究了基于Kullback-Leibler散度的密度估计问题，提出在有限密度字典下，通过凸集覆盖理论和混合密度估计方法，获得最优的高概率保证，改进了传统密度比有界时的估计率。

Comments 47 pages

Learning Contextual Runtime Monitors for Safe AI-Based Autonomy

学习上下文感知的运行时监视器以实现安全的基于AI的自主性

Alejandro Luque-Cerpa, Mengyuan Wang, Emil Carlsson, Sanjit A. Seshia, Devdatt Dubhashi, Hazem Torfah

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学） ； University of California at Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出了一种学习上下文感知运行时监视器的新框架，用于安全的基于AI的控制集合。通过将监视学习转化为上下文学习任务，该方法在控制器选择中提供理论安全保证，并提高控制器多样性利用，通过自动驾驶模拟验证了其在安全性和性能上的显著改进。

MultiGA: Leveraging Multi-Source Seeding in Genetic Algorithms

MultiGA：利用多源 seeding 在遗传算法中

Isabelle Diana May-Xin Ng, Tharindu Cyril Weerasooriya, Haitao Zhu, Wei Wei

机构 * Center for Advanced AI, Accenture（埃森哲高级人工智能中心） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 MultiGA通过多源seeding提升遗传算法在自然语言处理中的性能，利用多个LLM生成候选解并迭代优化，实现高准确率。

Adaptive Coverage Policies in Conformal Prediction

适应性覆盖策略在符合预测中的应用

Etienne Gauthier, Francis Bach, Michael I. Jordan

机构 * Inria, Ecole Normale Supérieure, PSL Research University（法国国家信息与自动化研究所，巴黎高等师范学院，PSL研究大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出基于e值和事后符合推断的适应性覆盖策略，通过神经网络训练优化覆盖水平，提高预测集的灵活性和效率。

Comments Code at: https://github.com/GauthierE/adaptive-coverage-policies