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

EgoHTR: Egocentric 4D Demonstrations of Human Terrain Traversal

EgoHTR：以自我为中心的人类地形穿越的4D演示

Alex Brandes, Haig Conti Georges Sajelian, Manthan Patel, Dominik Hollidt, Chenhao Li, Matthias Heyrman, Oliver Hausdoerfer, Manuel Kaufmann, Xi Wang, Jonas Frey, Angela P. Schoellig, Christian Holz, Marc Pollefeys, Marco Hutter

机构 * ETH Zurich（苏黎世联邦理工学院） ； Stanford（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） ； TU Munich（慕尼黑工业大学） 纠错

AI总结 研究针对非结构化地形部署人形机器人的问题，提出EgoHTR数据集，通过多传感器设置捕获人类运动序列，经评估有高准确性，还利用数据训练运动策略并实现硬件部署，助力构建上下文感知机器人。

Comments Project webpage: https://egohtr.github.io

Distributionally Robust and Safe Imitation Learning

分布鲁棒且安全的模仿学习

Ahmed Aboudonia, Naira Hovakimyan

机构 * University of California Berkeley（加利福尼亚大学伯克利分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究针对模仿学习对分布变化敏感及安全风险问题，提出分布鲁棒且安全的模仿学习框架，利用泰勒级数模仿学习和分布鲁棒自适应控制应对不同诱导变化，在无人机案例中验证了方法有效性。

EMAGN: Efficient Multi-Attention Graph Network via Learned Clustering for Scalable Traffic Forecasting

EMAGN：基于学习聚类的高效多注意力图网络用于可扩展交通流量预测

Mingxing Xu, Rakesh Chowdary Machineni, Ke Liu, Xi Cheng, Chengqi Lu, Xin Hu, Lyuhao Chen, Xiangyu Li, Junwei You, Oliver Gao

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Cornell University（康奈尔大学） ； Technische Universität Dresden（德累斯顿工业大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 针对交通流量预测中自注意力机制扩展性有限的问题，提出EMAGN，通过学习聚类矩阵将空间注意力机制线性化，降低复杂度，实验表明其在准确性和效率上优于其他模型，扩展了可行模型配置。

Cost-Optimal Foundation Model Deployment Portfolio for Transportation Management

用于交通管理的成本最优基础模型部署组合

Xi Cheng, Ke Liu, Siyuan Feng, Jane Lin, H. Oliver Gao

机构 * Cornell University（康奈尔大学） ； University of California, Berkeley（加州大学伯克利分校） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

AI总结 研究交通管理中基础模型部署组合问题，提出FMDP混合整数规划，证明其NP难，给出多项式时间贪婪启发式算法，通过案例研究确定低成本组合，经盈亏平衡分析得出本地GPU投资合理的条件。

Comments Accepted at IEEE ITSC 2026

DermDepth: Toward Monocular Metric Scale 3D Reconstruction Models for Dermatology

DermDepth：迈向用于皮肤病学的单目度量尺度3D重建模型

Héctor Carrión, Narges Norouzi

机构 * University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校） ； University of California, Berkeley（加利福尼亚大学伯克利分校） 纠错

AI总结 研究针对皮肤病学实践中常用2D方法的现状，提出DermDepth单视图度量尺度3D模型及D-Synth数据集，经实验训练和微调，能有效校正度量尺度误差，在多基准通用并与医学文献测量结果一致。

Comments Accepted at MICCAI 2026

Controllable Generation of Diverse Dermatological Imagery for Fair and Efficient Malignancy Classification

用于公平高效恶性肿瘤分类的可控多样皮肤病图像生成

Héctor Carrión, Narges Norouzi

机构 * 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） 纠错

AI总结 研究针对皮肤病诊断中缺乏多样标注图像的问题，提出cgDDI框架，能合成健康皮肤样本、映射罕见病变，支持自动分割掩码，通过多数据集验证，提高了恶性肿瘤分类准确率，公开相关资源推动公平性研究。

Comments Accepted at MICCAI 2026

Interaction Protocol Shapes Moral Judgment in Multi-Agent Debate

辩论动态与价值对齐在大语言模型辩论中

Pratik S. Sachdeva, Tom van Nuenen

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

AI总结 研究通过LLM辩论探讨多轮设置中模型的辩论动态与价值对齐，发现不同模型在同步和轮转结构下的行为差异及价值倾向。