University of California, Los Angeles（加州大学洛杉矶分校）

BRIEF-Pro: Universal Context Compression with Short-to-Long Synthesis for Fast and Accurate Multi-Hop Reasoning

BRIEF-Pro：基于短到长合成的通用上下文压缩用于快速准确的多跳推理

Jia-Chen Gu, Junyi Zhang, Di Wu, Yuankai Li, Kai-Wei Chang, Nanyun Peng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 BRIEF-Pro通过短到长合成实现通用上下文压缩，提升多跳推理的效率和准确性，适用于多种语言模型。

Comments Accepted by ACL 2026 Findings. Code and data: https://github.com/JasonForJoy/BRIEF

VisRet: Visualization Improves Knowledge-Intensive Text-to-Image Retrieval

VisRet：可视化改进知识密集型文本到图像检索

Di Wu, Yixin Wan, Kai-Wei Chang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 VisRet通过将文本查询投影到图像模态，提升跨模态检索效果，优于传统方法，在四个基准测试中提升nDCG@30，并提高下游问答准确性。

Comments ACL 2026 Camera Ready

Learning from the Best: Smoothness-Driven Metrics for Data Quality in Imitation Learning

向最佳学习：用于模仿学习中数据质量的平滑驱动度量

Soham Kulkarni, Raayan Dhar, Yuchen Cui

机构 * Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） 纠错

AI总结 本文提出RINSE框架，通过轨迹平滑度评估演示数据质量，改进模仿学习中的数据筛选与重加权，实验证明在不同任务中提升性能。

Comments 8 pages, 5 figures

PExA: Parallel Exploration Agent for Complex Text-to-SQL

PExA：复杂文本到SQL的并行探索代理

Tanmay Parekh, Ella Hofmann-Coyle, Shuyi Wang, Sachith Sri Ram Kothur, Srivas Prasad, Yunmo Chen

机构 * University of California Los Angeles（加州大学洛杉矶分校） ； Bloomberg（彭博） 纠错

AI总结 本文提出PExA，通过软件测试覆盖视角解决文本到SQL的延迟与性能权衡问题，通过并行执行测试用例确保语义覆盖，最终生成准确的SQL。

Comments Accepted at ACL 2026

On the Convergence of Jacobian-Free Backpropagation for Optimal Control Problems with Implicit Hamiltonians

隐式哈密顿量最优反馈控制的雅可比自由反向传播收敛性研究

Eric Gelphman, Deepanshu Verma, Nicole Tianjiao Yang, Stanley Osher, Samy Wu Fung

机构 * Department of Applied Mathematics and Statistics, Colorado School of Mines（应用数学与统计学系，科罗拉多矿业学院） ； Department of Mathematical Sciences, Clemson University（数学科学系，克莱姆森大学） ； Department of Mathematics, University of Tennessee Knoxville（数学系，田纳西大学肯尼思维尔分校） ； Department of Mathematics, University of California Los Angeles（数学系，加州大学洛杉矶分校） 纠错

AI总结 本文研究了隐式哈密顿量最优控制问题中雅可比自由反向传播的收敛性，证明了在随机小批量设置下其收敛到期望最优控制目标的 stationary 点，并展示了在高维问题中的可扩展性。

Comments 19 Pages, 6 figures, 1 table. Submitted to IEEE Transactions on Automatic Control and is pending review

Designing Instance-Level Sampling Schedules via REINFORCE with James-Stein Shrinkage

通过REINFORCE与James-Stein收缩设计实例级采样计划

Peiyu Yu, Suraj Kothawade, Sirui Xie, Ying Nian Wu, Hongliang Fei

机构 * Google（谷歌） ； Google DeepMind（谷歌DeepMind） ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 本文提出通过REINFORCE学习实例级采样计划，结合James-Stein收缩估计器提升高维策略学习的梯度估计精度，实现文本图像对齐和生成质量提升。

Comments CVPR 2026; 23 pages

Self-Organising Memristive Networks as Physical Learning Systems

自组织忆阻网络作为物理学习系统

Francesco Caravelli, Gianluca Milano, Adam Z. Stieg, Carlo Ricciardi, Simon Anthony Brown, Zdenka Kuncic

机构 * Theoretical Division (Condensed Matter and Complex Systems, T-4)（洛斯阿拉莫斯国家实验室理论部） ； Advanced Materials Metrology and Life Sciences Division, INRiM (Istituto Nazionale di Ricerca Metrologica)（先进材料计量与生命科学部，INRiM（意大利国家计量研究院）） ； University of California, Los Angeles, California NanoSystems Institute（加州大学洛杉矶分校，加州纳米系统研究所） ； Department of Applied Science and Technology, Politecnico di Torino（托里尼 Politecnico 工程技术系） ； The MacDiarmid Institute for Advanced Materials and Nanotechnology, School of Physical and Chemical Sciences, Te Kura Mate, University of Canterbury（麦克迪尔马特高级材料与纳米技术研究所，坎特伯雷大学物理与化学科学学院，Te Kura Mate） ； School of Physics, Sydney Nano Institute and Centre for Complex Systems, University of Sydney（悉尼大学物理学院，悉尼纳米研究所和复杂系统中心） 纠错

AI总结 本文探讨了利用自组织忆阻网络实现物理学习系统的方法，通过非线性动力学特性提升计算智能，结合纳米技术与复杂系统理论推动新一代物理智能技术发展。

Comments Perspective paper on SOMN, to appear in NatRevPhys; 24 pages, double columns, 7 figures, 2 boxes;

Exploring the Impact of Dataset Statistical Effect Size on Model Performance and Data Sample Size Sufficiency

探索数据集统计效应大小对模型性能和数据样本量充足性的影响

Arya Hatamian, Lionel Levine, Haniyeh Ehsani Oskouie, Majid Sarrafzadeh

机构 * Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） 纠错

AI总结 本文通过两项实验探讨数据集的统计效应大小是否能预测模型性能及样本量充足性，发现其并非有效指标，需进一步研究。

"Noisier" Noise Contrastive Eestimation is (Almost) Maximum Likelihood

更嘈杂的噪声对比估计几乎等同于最大似然估计

Peiyu Yu, Dinghuai Zhang, Hengzhi He, Xiaojian Ma, Sirui Xie, Ruiyao Miao, Yifan Lu, Yasi Zhang, Deqian Kong, Ruiqi Gao, Jianwen Xie, Guang Cheng, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Google DeepMind（谷歌DeepMind） ； Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院） ； Akool Research（Akool研究） 纠错

AI总结 本文提出'Noisier' NCE，通过增大噪声幅度使NCE梯度接近最大似然估计，从而在理论和实践中实现更快收敛，适用于高维和多模态数据集的密度比估计。

Comments ICLR 2026