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

Self-Normalized Martingales and Uniform Regret Bounds for Linear Regression

自归一化martingale与线性回归的统一后悔界

Fan Chen, Jian Qian, Alexander Rakhlin, Nikita Zhivotovskiy

机构 * MIT（麻省理工学院） ； University of Hong Kong（香港大学） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 研究自归一化martingale的统一后悔界，证明一维情况下可得O(log T)界，而高维情况下无法获得统一界，解决了一个开放性问题。

TT4D: A Pipeline and Dataset for Table Tennis 4D Reconstruction From Monocular Videos

TT4D：一个用于从单目视频中进行乒乓球4D重建的流水线和数据集

Nima Rahmanian, Daniel Kienzle, Thomas Gossard, Dvij Kalaria, Rainer Lienhart, Shankar Sastry

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Augsburg（奥格斯堡大学） ； University of Tübingen（图宾根大学） 纠错

AI总结 本文提出TT4D数据集，通过创新的重建流水线实现大规模高精度乒乓球比赛重建，解决单目视频中遮挡和视角变化带来的重建难题，支持虚拟回放和机器人学习。

Quant VideoGen: Auto-Regressive Long Video Generation via 2-Bit KV-Cache Quantization

Quant VideoGen：通过2位KV缓存量化实现自回归长视频生成

Haocheng Xi, Shuo Yang, Yilong Zhao, Muyang Li, Han Cai, Xingyang Li, Yujun Lin, Zhuoyang Zhang, Jintao Zhang, Xiuyu Li, Zhiying Xu, Jun Wu, Chenfeng Xu, Ion Stoica, Song Han, Kurt Keutzer

机构 * University of California, Berkeley（加州大学伯克利分校） ； NVIDIA ； Massachusetts Institute of Technology（麻省理工学院） ； Amazon（亚马逊） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出Quant VideoGen，通过语义感知平滑和渐进残差量化技术，有效降低KV缓存内存消耗，提升长视频生成质量与效率。

Comments Accepted by ICML 2026. 11 pages, 7 figures

Nearly-Optimal Bandit Learning in Stackelberg Games with Side Information

在有侧信息的Stackelberg博弈中近最优的探索学习

Maria-Florina Balcan, Martino Bernasconi, Matteo Castiglioni, Andrea Celli, Keegan Harris, Zhiwei Steven Wu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Bocconi University（博科尼大学） ； Politecnico di Milano（米兰理工学院） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了在有侧信息的Stackelberg博弈中在线学习问题，提出算法在Bandit反馈下达到O(T^{1/2})的 regret，优于之前的O(T^{2/3})。方法通过将问题转化为效用空间的线性上下文带宽问题，扩展到未知效用函数和拍卖、贝叶斯说服等场景。

Comments Accepted to ICLR 2026