Best-Arm Identification with Noisy Actuation
带有噪声执行的最优臂识别
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Meta, Central Applied Science（Meta中央应用科学部）
AI总结 研究在分布式代理间通过离散无记忆信道传递臂命令时最优臂识别问题，提出通信方案及其分析，与信道的零错误容量相关。
高校专区
University of California, Los Angeles（加州大学洛杉矶分校）
Generalization Bounds and Statistical Guarantees for Multi-Task and Multiple Operator Learning with MNO Networks
多任务和多重操作学习的泛化界限与统计保证：MNO网络
机构 * University of California Los Angeles（加州大学洛杉矶分校）
AI总结 本文研究了MNO网络在多任务和多重操作学习中的泛化界限，通过覆盖数分析得出了可分离模型的显式度量-熵界，并结合MNO的近似保证，获得了新三元组上的测试误差的显式近似-估计权衡。
AURA: Multimodal Shared Autonomy for Real-World Urban Navigation
AURA：多模态共享自主控制用于真实世界城市导航
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Zhejiang University（浙江大学）
AI总结 AURA通过将城市导航分解为高层人类指令和低层AI控制，减少人工操作负担，提升导航稳定性，并在真实世界中实现44%的接管减少。
Comments 17 pages, 18 figures, 4 tables, conference
Why Instruction-Based Unlearning Fails in Diffusion Models?
为何基于指令的反学习在扩散模型中失效？
机构 * University of Rochester（罗切斯特大学） ； UCLA（加州大学洛杉矶分校） ； UCSB（加州大学圣塔芭芭拉分校）
AI总结 研究探讨了基于指令的反学习在扩散模型中的有效性，发现扩散模型在仅依赖自然语言反学习指令时无法有效抑制目标概念，揭示了提示级指令的局限性。
Open-Domain Safety Policy Construction
开放领域安全政策构建
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Taboola
AI总结 本文提出Deep Policy Research（DPR），通过仅使用人类撰写的种子领域信息，构建完整的内容审核政策。DPR利用单一网络搜索工具和轻量级框架，迭代提出搜索查询，提炼多样化网络资源为政策规则，并将规则组织成索引文档。
Comments EACL 2026 (Findings)
PUNCH: Physics-informed Uncertainty-aware Network for Coronary Hemodynamics
PUNCH：一种融合物理信息的不确定性感知网络用于冠状动脉血流动力学
机构 * AngioInsight Inc.（AngioInsight公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Michigan（密歇根大学） ； Cardiovascular Research Foundation（心血管研究基金会） ； University of California, Riverside（加州大学河滨分校）
AI总结 PUNCH利用物理信息神经网络和变分推断，从标准冠状动脉造影直接估计血流储备，无需侵入性工具或群体训练，提供准确的冠状动脉微血管功能障碍诊断。
Modeling Irregular Astronomical Time Series with Neural Stochastic Delay Differential Equations
用神经随机延迟微分方程建模不规则天文时间序列
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Ulsan National Institute of Science and Technology（蔚山科学技术院）
AI总结 本文提出基于神经随机延迟微分方程的框架，用于处理不规则采样和不完整天文时间序列中的分类与异常检测问题，通过结合随机建模与神经网络，有效捕捉延迟时间动态并处理不规则观测。
Comments CIKM '25: Proceedings of the 34th ACM International Conference on Information and Knowledge Management. https://doi.org/10.1145/3746252.3760805
