Context is All You Need
上下文就是一切
机构 * Department of Medicine, University of California, San Diego（加州大学圣地亚哥分校医学系） ； Microsoft Corporation（微软公司）
AI总结 本文提出CONTXT方法，通过简单的特征变换实现上下文适应，提升模型在不同领域和任务中的鲁棒性，方法轻量易用且无需额外复杂性。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
Sharp asymptotic theory for Q-learning with LDTZ learning rate and its generalization
Q学习中LDTZ学习率的尖锐渐近理论及其泛化
机构 * University of Chicago（芝加哥大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文研究了Q学习中线性衰减学习率的理论性质，推导了非渐近误差界，并提出新的尾部Polyak-Ruppert平均估计器的中心极限理论，同时提供了时间均匀的高斯近似以支持推断。
Journal ref ICLR 2026, Main Conference Track, Poster
xRFM: Accurate, scalable, and interpretable feature learning models for tabular data
xRFM：用于表格数据的准确、可扩展且可解释的特征学习模型
机构 * Computer Science and Engineering（计算机科学与工程） ； INRIA Saclay ； Halıcıoğlu Data Science Institute（Halıcıoğlu数据科学研究所） ； UC San Diego（加州大学圣地亚哥分校） ； MIT Mathematics（麻省理工学院数学系） ； Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学博德研究所）
AI总结 本文提出xRFM，结合特征学习核机与树结构，实现数据局部结构适应和大规模训练数据处理，优于31种方法，在100个回归数据集和200个分类数据集上表现优异且具备可解释性。
RESIST: Resilient Decentralized Learning Using Consensus Gradient Descent
RESIST: 基于共识梯度下降的鲁棒去中心化学习
机构 * Rutgers University（罗格斯大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出RESIST算法，通过多步共识梯度下降框架和鲁棒统计筛选方法，解决去中心化学习中对抗性中间人攻击问题，实现强凸、Polyak-Lojasiewicz及非凸ERM问题的鲁棒收敛。
Comments preprint of a journal paper; 110 pages, 14 figures, and 1 table
Adapting Neural Robot Dynamics on the Fly for Predictive Control
实时适应神经机器人动力学用于预测控制
机构 * University of California San Diego（加州大学圣迭戈分校） ； Kuwait University（科威特大学）
AI总结 本文提出一种结合离线训练与高效在线更新的方法，用于实时适应神经机器人动力学模型，实现快速更新和鲁棒预测跟踪控制。
Comments This work has been submitted to the IEEE for possible publication
Lotka-Sharpe Neural Operators for Control of Population PDEs
Lotka-Sharpe 神经算子用于种群 PDE 的控制
机构 * University of California, San Diego（加州大学圣迭戈分校） ； National Technical University of Athens（雅典国家技术大学）
AI总结 本文提出利用神经算子解决年龄结构捕食者-猎物积分偏微分方程中反馈设计的关键挑战，证明Lotka-Sharpe算子的Lipschitz连续性，并展示神经算子在保持系统稳定性方面的有效性。
Comments 16 pages. In submission
The Format Tax
格式税
机构 * UC San Diego（加州大学圣地亚哥分校）
AI总结 本文发现要求大语言模型以JSON等结构化形式输出会显著降低推理和写作性能，提出分离推理与格式生成的方法可恢复大部分损失的准确性。
Human-Robot Copilot for Data-Efficient Imitation Learning
人机协同数据高效模仿学习
机构 * UC San Diego（加州大学圣地亚哥分校）
AI总结 本文提出人机协同框架，通过调整缩放因子实现灵活远程操作，同时兼容多种工业和研究机械臂，实验显示在相同演示轨迹数下性能更优，数据收集更高效。
Composer Vector: Style-steering Symbolic Music Generation in a Latent Space
作曲向量：在潜在空间中实现风格引导的符号音乐生成
机构 * University of California, San Diego（加州大学圣迭戈分校）
AI总结 本文提出Composer Vector，一种在模型潜在空间中直接控制作曲风格的推理方法，无需重新训练，通过连续控制系数实现流畅可解释的风格引导，并实现多种风格的无缝融合。
Optical Context Compression Is Just (Bad) Autoencoding
光学上下文压缩只是（糟糕）的自编码
机构 * UC San Diego（加州大学圣迭戈分校）
AI总结 研究比较了光学上下文压缩与直接方法，发现直接方法在重建和语言建模中表现更优，光学压缩未超越最佳直接基线。
