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

Trajectory-Regularized Stochastic Optimal Control via KL Divergence

通过 KL 散度的轨迹正则化随机最优控制

Mintae Kim, Koushil Sreenath

机构 * Hybrid Robotics（混合机器人实验室） ； UC Berkeley（伯克利大学） 纠错

AI总结 研究通过引入轨迹正则化随机最优控制（TRSOC），利用 KL 散度增强标准随机最优控制，推导 HJB 方程刻画最优策略，在 LQ 设置中有闭式解，实验表明正则化参数能在性能与参考保持间权衡。

Comments 8 pages, 4 figures, 65th IEEE Conference on Decision and Control

LatentFlow: Visual Analytics for Latent Space Analysis in Molecular Graph Neural Networks

LatentFlow：用于分子图神经网络潜在空间分析的可视化分析

Shiyi Liu, Jiaqing Chen, Nicholas Hadler, Rostyslav Hnatyshyn, Michael W. Mahoney, Talita Perciano, John F. Hartwig, Gunther H. Weber, Ross Maciejewski

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Berkeley（加州大学伯克利分校） ； ICSI（国际计算机科学研究所） 纠错

AI总结 研究分子图神经网络潜在空间分析问题，提出LatentFlow可视化分析系统，通过聚类嵌入、跟踪跨层及模型状态变化、关联代表性分子等方法，助力科学家理解潜在空间演变、识别分子模式及解释模型行为。

Multi-Mask Diffusion Language Models for Few-Step Generation

用于少步生成的多掩码扩散语言模型

Sijin Chen, Yinuo Ren, Heyang Zhao, Ziheng Cheng, Quanquan Gu, Lexing Ying

机构 * ByteDance Seed（字节跳动种子） ； Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校） 纠错

AI总结 研究针对掩码扩散模型少步生成难的问题，提出多掩码扩散模型MultiMDM，通过特定前向过程使反向过程有起草能力，推导训练目标并制定蒸馏方案，经实验验证其为少步生成提供了有效基础。

Comments Needs corporate approval

HD3C: Efficient Medical Data Classification for Edge Devices

HDC-X：面向嵌入式设备的高效医疗数据分类

Jianglan Wei, Zhenyu Zhang, Pengcheng Wang, Mingjie Zeng, Zhigang Zeng

机构 * Huazhong University of Science and Technology（华中科技大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出HDC-X框架，通过高维超向量编码和聚类原型聚合，实现低功耗医疗数据分类，在心脏病声音分类中比贝叶斯ResNet节能350倍，且具备抗噪声和数据限制的鲁棒性。

Journal ref CAAI International Conference on Artificial Intelligence (CICAI), 2026

PCS-UQ: Uncertainty Quantification via the Predictability-Computability-Stability Framework

PCS-UQ：基于可预测性-可计算性-稳定性框架的不确定性量化

Abhineet Agarwal, Fange Xiao, Rebecca Barter, Omer Ronen, Boyu Fan, Bin Yu

机构 * Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系） ； Department of Epidemiology, University of Utah（犹他大学流行病学系） ； Department of Electrical Engineering and Computer Science, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系） 纠错

AI总结 提出PCS-UQ框架，通过预测检查、bootstrap采样和乘法校准实现不确定性量化，在回归和分类任务中优于或媲美共形预测方法，并提供理论保证。