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

2605.00314 2026-05-04 cs.CR cs.AI cs.PL

Semia: Auditing Agent Skills via Constraint-Guided Representation Synthesis

Semia：通过约束引导的表示合成审计代理技能

Hongbo Wen, Ying Li, Hanzhi Liu, Chaofan Shou, Yanju Chen, Yuan Tian, Yu Feng

机构 * University of California, Santa Barbara（加州大学圣芭芭拉分校）； University of California, Los Angeles（加州大学洛杉矶分校）； University of California, San Diego（加州大学圣地亚哥分校）

AI总结 Semia通过约束引导的表示合成技术，对代理技能进行静态审计，发现超过一半的技能存在关键语义风险，其召回率和F1值显著优于传统方法。

2605.00005 2026-05-04 cs.LG cs.AI cs.DC cs.NI

Cloud Is Closer Than It Appears: Revisiting the Tradeoffs of Distributed Real-Time Inference

云比它看起来更近：重新审视分布式实时推理的权衡

Pragya Sharma, Hang Qiu, Mani Srivastava

机构 * University of California Los Angeles（加州大学洛杉矶分校）； University of California Riverside（加州大学河滨分校）

AI总结本文重新审视云推理在实时控制任务中的适用性，通过建立分析模型和仿真实验，证明云平台在高吞吐量资源下可有效缓解网络和排队延迟，从而在安全约束下优于本地推理。

2604.26181 2026-05-04 cs.LG

SWAN: World-Aware Adaptive Multimodal Networks for Runtime Variations

SWAN：面向运行时变化的世界感知自适应多模态网络

Jason Wu, Shir-Kang Scott Jin, Yuyang Yuan, Maggie Wigness, Lance M. Kaplan, Hang Qiu, Mani Srivastava

机构 * University of California, Los Angeles（加州大学洛杉矶分校）； University of California, Riverside（加州大学河滨分校）； U.S. Army DEVCOM Army Research Laboratory（美国陆军 DEVCOM 军事研究实验室）

AI总结 SWAN是一种新型多模态网络，通过动态资源分配和效率优化，在自动驾驶中实现复杂3D检测任务，减少49%的FLOPs并保持性能。

2507.09001 2026-05-04 cond-mat.mtrl-sci cond-mat.dis-nn cs.LG physics.comp-ph quant-ph

Surprisingly High Redundancy in Electronic Structure Data Across Materials Explained by Low Intrinsic Dimensionality

电子结构数据中跨材料的惊人冗余性由内在低维性解释

Sazzad Hossain, Ponkrshnan Thiagarajan, Shashank Pathrudkar, Stephanie Taylor, Abhijeet S. Gangan, Amartya S. Banerjee, Susanta Ghosh

机构 * Department of Mechanical and Aerospace Engineering, Michigan Technological University, Houghton, MI, USA.（机械与航空航天工程系，密歇根技术大学，霍顿，MI，美国）； Hopkins Extreme Materials Institute, Johns Hopkins University, Baltimore, MD, USA.（霍普金斯极端材料研究所，约翰霍普金斯大学，巴尔的摩，MD，美国）； Department of Materials Science and Engineering, University of California, Los Angeles, CA, USA.（材料科学与工程系，加州大学洛杉矶分校，CA，美国）； Center for Artificial Intelligence, Michigan Technological University, Houghton, MI, USA.（人工智能中心，密歇根技术大学，霍顿，MI，美国）

AI总结研究揭示电子结构数据中存在显著冗余，归因于数据的低内在维数，通过随机剪枝可大幅减少数据集规模，同时保持预测准确性，提出基于覆盖的剪枝策略能以更少数据维持化学精度和模型泛化能力。