University of California, San Diego（加州大学圣迭戈分校）

Estimation of Energy-dissipation Lower-bounds for Neuromorphic Learning-in-memory

神经形态学习-内存的能耗下界估计

Zihao Chen, Faiek Ahsan, Johannes Leugering, Gert Cauwenberghs, Shantanu Chakrabartty

机构 * Washington University in Saint Louis（圣路易斯华盛顿大学） ； University of California San Diego（加州大学圣迭戈分校） 纠错

AI总结 本文研究了神经形态学习-内存优化器的能耗下界，通过理论分析推导出基于内存动态和优化过程的能耗指标，考虑模型更新次数、参数数量、收敛速度和精度等因素。

Comments 16 pages, 6 figures

Journal ref Phys. Rev. E 113, 035311 (2026)

KV Cache Quantization for Self-Forcing Video Generation: A 33-Method Empirical Study

KV缓存量化用于自驱动视频生成：一项33种方法的实证研究

Suraj Ranganath, Vaishak Menon, Anish Patnaik

机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 本文通过33种量化和缓存策略变体，研究自驱动视频生成中KV缓存压缩的影响，发现FlowCache启发的INT4软剪枝方法在压缩率和内存使用上表现优异，但高保真方法存在运行时或内存成本问题，需结合实际需求选择。

Rainbow-DemoRL: Combining Improvements in Demonstration-Augmented Reinforcement Learning

Rainbow-DemoRL: 结合演示增强强化学习的改进方法

Dwait Bhatt, Shih-Chieh Chou, Nikolay Atanasov

机构 * University of California San Diego（加州大学圣地亚哥分校） ； National Sun Yat-sen University（国立中山大学） 纠错

AI总结 本文通过分类和实证研究，探讨了演示增强强化学习中不同策略的优劣及组合效果，发现直接复用离线数据和行为克隆初始化在提升在线样本效率方面表现更优。

Comments Accepted to ICRA 2026

On the Loss Landscape Geometry of Regularized Deep Matrix Factorization: Uniqueness and Sharpness

关于正则化深度矩阵分解的损失景观几何：唯一性和尖锐性

Anil Kamber, Rahul Parhi

机构 * UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文研究正则化深度矩阵分解的损失景观几何，证明在特定条件下存在唯一极小值点，并揭示Hessian谱的恒定性及正则化参数的临界阈值。

Comments 32 pages, 3 figures

Rolling Sink: Bridging Limited-Horizon Training and Open-Ended Testing in Autoregressive Video Diffusion

滚动汇：在有限时间训练和开放-ended测试之间架桥

Haodong Li, Shaoteng Liu, Zhe Lin, Manmohan Chandraker

机构 * UC San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出Rolling Sink，通过分析AR缓存维护，实现无需训练的超长视频生成，提升视觉质量和时间一致性。

Comments v5: Fix some typos. Figures were compressed to 150 dpi to comply with arXiv's submission size limit. Project page: https://rolling-sink.github.io/