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

Design Rules for Extreme-Edge Scientific Computing on AI Engines

面向AI引擎的极端边缘科学计算设计规则

Zhenghua Ma, G Abarajithan, Dimitrios Danopoulos, Olivia Weng, Francesco Restuccia, Ryan Kastner

机构 * University of California San Diego, La Jolla, CA, USA（加州大学圣地亚哥分校） ； European Organization for Nuclear Research (CERN), Geneva, Switzerland（欧洲核子研究中心） 纠错

AI总结 本文研究极端边缘科学神经网络在AI引擎与可编程逻辑间的实现策略，提出延迟调整的资源等效指标，并展示低延迟科学推理的优化方法。

Temporal UI State Inconsistency in Desktop GUI Agents: Formalizing and Defending Against TOCTOU Attacks on Computer-Use Agents

桌面GUI代理中的时间UI状态不一致：形式化并防御针对计算机使用代理的TOCTOU攻击

Wenpeng Xu

机构 * University of California, San Diego（加州大学圣地亚哥分校） 纠错

AI总结 桌面GUI代理通过截图-点击循环控制电脑，引入了新的漏洞：观察到动作之间的时间间隙（平均6.51秒）创建了TOCTOU窗口，允许未授权攻击者操纵UI状态。本文形式化了这一现象为视觉原子性违规，并提出了三种具体攻击原语，提出了PUSV防御机制，有效拦截了所有攻击。

Geometry-Aware CLIP Retrieval via Local Cross-Modal Alignment and Steering

通过局部跨模态对齐与引导实现几何感知的CLIP检索

Nirmalendu Prakash, Narmeen Fatimah Oozeer, Xin Su, Phillip Howard, Shaan Shah, Zoe Wanying He, Shuang Wu, Shivam Raval, Roy Ka-Wei Lee, Meenakshi Khosla, Amir Abdullah

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Martian ； Thoughtworks ； UCSD（加州大学圣塔莫尼卡分校） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出通过局部跨模态对齐与引导改进CLIP检索，通过匈牙利匹配实现邻居级重排序，并利用查询条件局部引导提升属性绑定和组合检索性能。

PhysMem: Scaling Test-time Physical Memory for Robot Manipulation

PhysMem：为机器人操作扩展测试时的物理内存

Haoyang Li, Yang You, Hao Su, Leonidas Guibas

机构 * Stanford University（斯坦福大学） ； UC San Diego（圣地亚哥大学） 纠错

AI总结 PhysMem通过测试时交互学习物理原理，提升机器人在不同环境下的物体操控能力，实验显示其在真实任务和模拟中均优于传统经验检索方法。

Temporal Leakage in Search-Engine Date-Filtered Web Retrieval: A Retrospective Forecasting Case Study

搜索引擎日期过滤网页检索中的时间泄漏：一项回顾性预测案例研究

Ali El Lahib, Ying-Jieh Xia, Zehan Li, Yuxuan Wang, Xinyu Pi

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Chicago（芝加哥大学） 纠错

AI总结 研究发现搜索引擎日期过滤存在显著时间泄漏问题，导致预测准确性虚高，建议加强检索保障或使用时间戳快照进行评估。

Comments 9 pages, 2 figures. Accepted to ACL 2026

Multi-agent Self-triage System with Medical Flowcharts

多代理自分级系统与医疗流程图

Yujia Liu, Sophia Yu, Hongyue Jin, Jessica Wen, Alexander Qian, Terrence Lee, Mattheus Ramsis, Gi Won Choi, Lianhui Qin, Xin Liu, Edward J. Wang

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； The Design Lab, University of California San Diego（加州大学圣地亚哥分校设计实验室） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Medicine, Kaiser Permanente（Kaiser 医疗集团医学部） ； Department of Radiation Oncology, University of California San Francisco（加州大学旧金山分校放射肿瘤学部） ； Department of Emergency Medicine, University of California San Francisco（加州大学旧金山分校急诊医学部） ； Division of Cardiology, Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学部心内科分会） ； Department of Orthopaedic Surgery, Korea University Ansan Hospital（韩国大学安山医院骨科部） ； Google Research, Seattle, WA, USA（谷歌研究（西雅图，华盛顿州）） ； Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·阿伦计算机科学与工程学校） 纠错

AI总结 本文提出一种多代理自分级系统，利用100个经临床验证的流程图提升医疗决策的准确性与透明度，通过检索、决策和聊天代理实现患者个性化推荐，实验显示在大规模合成数据集上达到高准确率。

Journal ref Nature Health (2026)