Learnable Mixed Nash Equilibria are Collectively Rational
可学习的混合纳什均衡具有集体理性
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 研究将博弈学习扩展到非渐近稳定性动态，通过一致稳定性概念，发现一致稳定的混合均衡是弱帕累托最优，还表明其决定特定动态过程的收敛行为，揭示混合纳什均衡附近个体行为能导致集体理性。
高校专区
University of California, San Diego（加州大学圣迭戈分校）
Causally Debiased Latent Action Model for Embodied Action Conditioned World Models
用于具身动作条件世界模型的因果去偏潜行动模型
机构 * Aether AI ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 研究针对动作条件世界模型学习需大量标记数据的问题，提出基于潜行动模型的因果去偏框架CD-LAM，通过三个微调目标改进模型，提升了潜行动可控性等多方面性能，减少了机器人动作适应更新次数。
Learning More from Less: Reinforcement Learning from Hindsight
从更少中学习更多：事后诸葛亮式强化学习
机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT-IBM Computing Research Lab（麻省理工学院-IBM计算研究实验室） ； Stanford University（斯坦福大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 研究针对强化学习用于视觉-语言-动作模型后期训练时样本效率低的问题，提出事后诸葛亮式学习方法，通过对失败轨迹重标记，让策略联合原始与重标记轨迹训练，在分布外任务上显著提升样本效率并优于基线。
Cluster and then Embed: A Modular Approach for Visualization
先聚类再嵌入：一种可视化的模块化方法
机构 * Department of Mathematics, University of California, San Diego（数学系，加州大学圣地亚哥分校） ； Halıcıoğlu Data Science Institute, University of California, San Diego（Halıcıoğlu数据科学研究所，加州大学圣地亚哥分校）
AI总结 研究针对t-SNE和UMAP在可视化时扭曲数据全局几何结构的问题，提出先聚类再嵌入的模块化方法，经多数据集实验验证，此方法在保持竞争力的同时更具透明度。
Beyond LLMs: A Linguistic Approach to Causal Graph Generation from Narrative Texts
超越大语言模型：一种从叙事文本生成因果图的语言学方法
机构 * University of California, San Diego（加州大学圣地亚哥分校）
AI总结 该研究提出从叙事文本生成因果图的框架，先以LLM提取顶点，引入含七个语言特征的“专家索引”并集成到分类模型，结合RoBERTa嵌入提升因果关系识别精度，经五次迭代提示构建因果图，实验证明其优于GPT-4o和Claude 3.5，还提供开源工具。
Comments published at the 7th Workshop on Narrative Understanding, NAACL 2025
From RGB Generation to Dense Field Readout: Pixel-Space Dense Prediction with Text-to-Image Models
从 RGB 生成到密集场读出：使用文本到图像模型进行像素空间密集预测
机构 * UCSD（加州大学圣地亚哥分校） ； HKUST（香港科技大学）
AI总结 研究利用文本到图像模型进行像素空间密集预测，提出ReChannel方法，保留DiT输入分布的VAE编码器，去掉目标侧解码器，用任务LoRA调整，通过线性头映射令牌到像素空间补丁，在多个密集预测任务上表现出色，比对比方法更准确快速。
OREN: Octree Residual Network for Real-Time Euclidean Signed Distance Mapping
OREN：八叉树残差网络用于实时欧几里得符号距离映射
机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电子与计算机工程系）
AI总结 OREN结合八叉树插值的显式先验和神经网络回归的隐式残差，实现高效且可微的非截断SDF重建，优于现有方法的准确性和效率。
Comments Accepted to IEEE/RSJ International Conference Intelligent Robots & Systems (IROS) 2026
Physics-guided spatiotemporal neural models for fuel density prediction
用于燃料密度预测的物理引导时空神经模型
机构 * San Diego Supercomputer Center University of California, San Diego（圣地亚哥超级计算机中心 加州大学圣地亚哥分校）
AI总结 研究针对燃料密度预测，提出物理引导机器学习框架，集成物理约束与领域知识到深度学习模型。探索三种架构建模，在损失函数中纳入物理信息项，实验表明该框架在准确性和稳定性上优于纯数据驱动基线，能实现高效火灾预测支持管理。
Comments to be published in IEEEXplore
Efficient Scene Appearance Aggregation for Level-of-Detail Rendering
高效场景外观聚合用于细节层次渲染
机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文提出了一种基于ABSDF的高效体素表示方法，用于实现保持外观的细节层次渲染，能够在不增加内存和渲染成本的情况下提升渲染质量。
Journal ref ACM Trans. Graph. 44, 1, Article 8 (February 2025), 23 pages
Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows
Spider 2.0-AIFunc：将现实世界的文本到SQL扩展到人工智能原生SQL工作流程
机构 * UC San Diego（加州大学圣地亚哥分校） ； Snowflake AI Research（Snowflake人工智能研究院） ； University of Hong Kong（香港大学）
AI总结 研究针对现有文本到SQL基准无法评估模型生成人工智能原生SQL能力的问题，构建Spider 2.0-AIFunc基准，经特定管道和多轮验证，评估十个先进语言模型，发现准确率差距及传统代理框架转移无效等情况。
Comments 24 pages, 3 figures, 7 tables
RoboTALES: Learning Reasoning-Guided Robot Policies via Task-Aligned Simulated Futures
RoboTALES：通过任务对齐的模拟未来学习推理引导的机器人策略
机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 针对预训练视频生成模型用于机器人策略规划的局限，提出RoboTALES框架，通过基于分层语言模型的规划器和基于视觉语言模型的评论家两大创新，学习任务对齐的模拟未来以训练机器人策略，在多样操纵任务中表现优于现有方法。
Comments Accepted at ECCV 2026
Plainbook: Data Science, in Plain Language
Plainbook：用通俗易懂的语言进行数据科学
机构 * University of California Santa Cruz（加州大学圣克ruz分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Politecnico di Torino（托里诺理工学院）
AI总结 为让更多不懂代码的科学家参与数据分析计算，提出Plainbook，以自然语言为中心，基于促进自然语言描述和验证值的原则，自动生成代码，采用线性执行语义并内置验证机制，由快照内核支持提升效率。
Comments 12 pages
Recovering Cloud Microstructures with Cascaded Diffusion Inversion
通过级联扩散反演恢复云微观结构
机构 * Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 针对卫星云图像分辨率不足及现有方法不适用于此类图像的问题，提出基于扩散的两阶段超分辨率框架，能将云微观结构分辨率提高4倍，在精度和视觉质量上优于现有方法，为云微物理分析及利用AI促进气候和可持续性提供路径。
Comments Published at ML4RS Workshop ICLR 2026
Performance Optimization and Comparative Analysis of Generative AI Models on Advanced Accelerators
生成式人工智能模型在先进加速器上的性能优化与比较分析
机构 * University of California San Diego（加州大学圣地亚哥分校） ； San Diego Supercomputer Center（圣地亚哥超级计算机中心）
AI总结 针对生成式人工智能模型部署难题，开展系统研究，通过新颖的混合精度训练后量化评估等方法，对多种模型在不同下游任务及跨异构平台进行性能优化与比较分析。
Comments 6 pages, 3 figures
Stability Annealing Selects the Implicit Bias of Smoothed Sign Descent: A Rate-Indexed Barrier Path on Separable Data
稳定性退火选择平滑符号下降的隐式偏差：可分数据上的速率索引障碍路径
机构 * The University of Hong Kong（香港大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学）
AI总结 研究可分数据上全批量线性分类的速率控制情况，针对无记忆稳定性退火平滑符号下降，证明归一化迭代收敛特性，通过实验验证相关恒等式、展示预测图及缩放，还报告了多种情况的诊断，明确理论范围。
Comments 17 pages, 9 figures
Broken Ergodicity and the Violation of the Fluctuation-Dissipation Theorem Lead to Generalization Beyond Overfitting in Machine Learning
破缺遍历性与涨落耗散定理的违反导致机器学习中超越过拟合的泛化
机构 * Department of Physics, University of California San Diego（加州大学圣地亚哥分校物理系） ； Halıcıoğlu Data Science Institute, University of California San Diego（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所）
AI总结 研究现代神经网络泛化能力随网络容量增加而提升的现象，用动态平均场理论表明‘双下降’行为是训练过程随机场理论中相变的结果，计算了临界指数等。
Comments 62 pages, 8 figures; includes Supplemental Material
EgoVerse: An Egocentric Human Dataset for Robot Learning from Around the World
EgoVerse：一个用于机器人学习的视点人类数据集
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； University of California San Diego（加州大学圣地亚哥分校） ； ETH Zürich（苏黎世联邦理工学院） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Meta Reality Labs Research（Meta现实实验室） ； Mecka AI ； Scale AI
AI总结 EgoVerse通过统一的数据收集、处理和访问框架，提供丰富的人类操作行为数据，促进机器人学习，并通过大规模研究验证了人类数据与机器人学习目标的一致性对性能的影响。
SILO: Simulation-in-the-Loop Sim-to-Real Transfer for Multi-Stage Cable Routing
SILO：用于多阶段电缆布线的回路内仿真的仿真到现实转移
机构 * NVIDIA Corporation（英伟达公司） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
AI总结 针对电缆等物体复杂变形导致的线性可变形操纵难题，提出基于GPU并行仿真的强化学习框架及新部署策略，实现多阶段电缆布线的仿真到现实转移，提升成功率并减少周期时间。
Comments Website: https://silo-cable-routing.github.io/
Learning Task-Sufficient World Models by Synergizing Agentic Exploration and Structured Modeling
通过协同能动探索和结构化建模学习任务充分的世界模型
机构 * UCSD（加州大学圣地亚哥分校） ； MBZUAI（Mubarakzai Institute of Artificial Intelligence） ； CMU（卡内基梅隆大学） ； UBC（不列颠哥伦比亚大学）
AI总结 研究如何让智能体学习特定于任务、最小且足以决策的世界模型表示，通过智能体与世界模型闭环协同，智能体主动探索收集信息轨迹，世界模型学习结构化表示，提升样本效率和泛化能力。
Forethought: Verifiable Reasoning from Neurosymbolic Primitive Programming
预思考：神经符号原始编程的可验证推理
机构 * CoreThink AI ； UC San Diego（加州大学圣地亚哥分校）
AI总结 研究改进智能体工作流推理能力问题，提出神经符号推理系统Forethought，将推理视为可验证程序，由符号和神经原语库构建，经特定语言组合，提升了基础模型准确率。
Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling
正确实现分层稀疏注意力：迈向无限上下文建模
机构 * Tencent HY Team（腾讯混元团队） ； ShanghaiTech University（上海科技大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 研究如何解决现代大语言模型扩展到长上下文时的计算成本和注意力长度外推问题。提出分层地标稀疏注意力机制，通过语言模型损失端到端学习块选择，实现高效长上下文建模。
Comments preprint
Lost at the End: Primacy Bias in Multimodal Retrieval-Augmented Question Answering
迷失在末尾：多模态检索增强问答中的首因偏差
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； The Ohio State University（俄亥俄州立大学）
AI总结 研究多模态知识型视觉问答中检索上下文的位置依赖，发现不同于纯文本的U形效应，出现首因偏差（开头优于末尾），并通过消融实验定位原因为指令调优阅读器的提示槽0。
Comments 15 pages, 9 figures
MLS-Bench: A Holistic and Rigorous Assessment of AI Systems on Building Better AI
MLS-Bench：对构建更好AI的AI系统的全面且严格评估
机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。
Score-Regularized Joint Sampling with Importance Weights for Flow Matching
用于流匹配的带重要性权重的分数正则化联合采样
机构 * University of California San Diego（加州大学圣地亚哥分校）
AI总结 针对流匹配模型在有限采样预算下估计函数期望难的问题，提出非IID采样框架，用分数正则化平衡多样性与质量，还开发非IID流样本重要性加权方法，提升了流匹配模型输出的可靠表征。
DrawTalking: Building Interactive Worlds by Sketching and Speaking
DrawTalking：通过绘图和说话构建交互世界
机构 * New York University（纽约大学） ； Adobe Research（Adobe研究院） ； University of California, San Diego（加州大学圣迭戈分校）
AI总结 DrawTalking通过绘图和说话构建交互世界，提供无代码编程能力，适用于创意探索场景，展示其灵活性和应用潜力。
Comments 25 pages, 27 figures; Matching version accepted at UIST 2024
Koopman operator theory: fundamentals, control, and applications
Koopman算子理论：基础、控制与应用
机构 * Department of Mechanical Engineering, University of California, Santa Barbara（加州大学圣芭芭拉分校机械工程系） ； Department of Mechanical and Aerospace Engineering, University of California, San Diego（加州大学圣地亚哥分校机械与航空航天工程系） ； Optimization-based Control Group, TU Ilmenau（图林根工业大学优化控制组） ； Constrained Control of Complex Systems Lab, Control Systems Group, Department of Electrical Engineering, TU Eindhoven（埃因霍温理工大学复杂系统约束控制实验室，控制系统组，电气工程系） ； Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系）
AI总结 本文介绍Koopman算子理论，通过数据驱动方法（如EDMD和机器学习）构建非线性系统的全局线性表示，并扩展到有输入系统的控制器设计，提供仿真代码。
Don't Let Gains FADE: Breaking Down Policy Gradient Weights in RL
不要让收益消失：解析强化学习中的策略梯度权重
机构 * FAIR at Meta（Meta FAIR） ； Inria, Ecole Normale Supérieure（法国国家信息与自动化研究所，巴黎高等师范学院） ； University of California, San Diego（加利福尼亚大学圣迭戈分校）
AI总结 提出FADE方法，通过动态调整优势函数的正负和难度权重，解决RL训练不稳定和多样性崩溃问题，在7B和32B模型上分别提前20k和2k步达到最佳pass@1。
Working Paper: Towards a Category-theoretic Comparative Framework for Artificial General Intelligence
预印本：迈向人工通用智能的范畴论比较框架
机构 * Cognodata R+D & Universidad Autonoma de Madrid（Cognodata研发与马德里自治大学） ； University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 本文旨在构建一个通用的范畴论框架，用于描述、比较和分析不同的人工通用智能架构，揭示其共同点与差异，并指导未来研究。
Comments 37 pages, 7 figures, 1 table
K-Inverse-RFM: A Modified RFM that Bridges the Gap to Neural Networks for Data-Corrupted Mathematical Tasks
K-Inverse-RFM：一种弥合与神经网络差距的改进RFM，用于数据损坏的数学任务
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校）
AI总结 针对递归特征机在数据损坏场景下性能低于神经网络的问题，提出K-Inverse-RFM，通过对训练标签进行变换，在噪声、复杂表示和类别不平衡数据中提升学习能力，缩小甚至超越与神经网络的性能差距。
Comments Master's thesis, University of California San Diego, 2025
Temporal Training Strategies for Left Atrium and Left Atrial Appendage Segmentation in Dynamic Contrast 4DCT
动态对比增强4DCT中左心房和左心耳分割的时间训练策略
机构 * Biomedical Image Technologies, ETSI Telecomunicación, Universidad Politécnica de Madrid（马德里理工大学电信工程学院生物医学图像技术） ； Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN), Instituto de Salud Carlos III（卡洛斯三世健康研究所生物工程、生物材料与纳米医学网络生物医学研究中心） ； Department of Bioengineering, University of California San Diego（加州大学圣地亚哥分校生物工程系） ； Division of Cardiovascular Medicine, University of California San Diego（加州大学圣地亚哥分校心血管医学部） ； Department of Radiology, University of California San Diego（加州大学圣地亚哥分校放射学系）
AI总结 研究动态4DCT中左心房和左心耳分割的时间训练集设计，比较两帧、生理子集和全序列训练，发现全帧训练在早期低对比度阶段最优，生理子集在填充期后表现相当，前景归一化可改善低对比度性能但未完全消除差距。
Comments Accepted at CinC 2026
