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

Learning How the World Evolves: Extrapolative Video World Models via Latent Dynamics Reasoning

学习世界如何演化：基于潜动态推理的外推视频世界模型

Haodong Li, Shaoteng Liu, Tianyu Wang, Chongjian Ge, Sihui Ji, Jiahan Zhang, Xin Lin, Haolin Lu, Zhe Lin, Manmohan Chandraker

机构 * UCSD（加利福尼亚大学圣迭戈分校） ； Adobe（奥多比公司） 纠错

AI总结 针对主流视频扩散模型未建模像素时间转换的问题，提出LDR方法，在PhyWorld基准上实现更优动态外推，参数更少、速度更快，是首个能泛化至训练分布外的视频世界模型

Comments Project page: https://lat-dyn-reason.github.io/

From Approachability Residuals to Anytime-Valid Evidence: The Online Convex Geometry of Testing by Betting

从可及性残差到任意时刻有效的证据：投注检验的在线凸几何

Jinze Zhao

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

AI总结 该研究通过在线凸优化与投注检验的关联，构建了可及性残差与任意时刻有效证据的理论框架，给出有限时间下的检验误差界，实现了多种统计检验场景的统一。

Rethinking Learning-Based Influence Maximization: Simple Neural Surrogates and Native Discrete Search

重新思考基于学习的影响力最大化：简单神经代理与原生离散搜索

Yiqiao Liao, Parinaz Naghizadeh

机构 * UC San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 该研究针对现有基于学习的影响力最大化框架的不足，提出SIMBA框架，采用轻量级神经代理与原生离散搜索，缩短求解时间并提升影响力传播与数据效率。

The Neural Division of Labor: Biologically-Inspired Modular Architectures for Robust Neuromorphic Computing

神经劳动分工：用于鲁棒神经形态计算的生物启发式模块化架构

Maksim Bazhenov, Serafim Grubas, Vakhtang Putkaradze

机构 * University of California San Diego（加州大学圣地亚哥分校） ； University of Alberta（阿尔伯塔大学） ； University of Alabama（阿拉巴马大学） 纠错

AI总结 本文提出可分解脉冲神经网络（D-SNN），采用生物启发模块化架构，在减少参数与突触操作的同时，实现鲁棒性与决策透明性，为边缘神经形态计算提供高效方案。

Comments 39 pages, 7 figures