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

PopPy: Opportunistically Exploiting Parallelism in Python Compound AI Applications

PopPy: 在Python复合AI应用中机会性地利用并行性

Stephen Mell, David Mell, Konstantinos Kallas, Steve Zdancewic, Osbert Bastani

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Independent Researcher（独立研究者） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出PopPy系统，通过识别Python应用中调用外部组件的并行化机会，从而在复合AI应用的端到端延迟上实现6.4倍的加速，同时保持顺序程序语义。

The Symmetries of Three-Layer ReLU Networks

三层ReLU网络的对称性

Johanna Marie Gegenfurtner, Moritz Grillo, Guido Montúfar

机构 * Technical University of Denmark（丹麦技术大学） ； Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究所） ； UCLA and MPI MiS（加州大学洛杉矶分校和马克斯·普朗克研究所） 纠错

AI总结 本文研究了三层ReLU网络参数对称性的分析框架，给出了三层层状架构通用参数纤维的完整刻画，并提出了一个多项式时间算法来判断两个参数的功能等价性。

Attention Sinks and Outliers in Attention Residuals

注意力沉底与注意力残差中的异常值

Haozheng Luo, Haoran Dai, Shaoyang Zhang, Xi Chen, Eric Hanchen Jiang, Yijiang Li, Jingyuan Huang, Chenghao Qiu, Chenwei Xu, Zhenyu Pan, Haotian Zhang, Binghui Wang, Yan Chen

机构 * Department of Computer Science, Northwestern University（西北大学计算机科学系） ； Department of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） ； Department of Statistics and Data Science, University of California Los Angeles（加州大学洛杉矶分校统计与数据科学系） ； Department of Electrical and Computer Engineering, University of California San Diego（加州圣地亚哥大学电气与计算机工程系） ； Department of Computer Science, Rutgers University-New Brunswick（新泽西州立大学鲁特学院计算机科学系） ； Department of Computer Science and Engineering, Texas A&M University（德克萨斯农工大学计算机科学与工程系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） 纠错

AI总结 本文提出OASIS技术，通过层间空信号来解决注意力残差架构中注意力沉底、激活异常值以及推理稳定性下降的问题，通过双归一化设计和实验验证提升了模型的结构鲁棒性和量化鲁棒性。

Stress-Testing Neural Network Verifiers with Provably Robust Instances

用可证明稳健实例压力测试神经网络验证器

David Troxell, Yulia Alexandr, Sofia Hunt, Stephanie Lei, Guido Montúfar

机构 * Department of Statistics & Data Science, University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校） ； Department of Mathematics, University of California, Los Angeles（数学系，加州大学洛杉矶分校） ； Max Planck Institute for Mathematics in the Sciences, Leipzig（科学数学研究所，莱比锡） 纠错

AI总结 本文提出了一种生成具有已知真实稳健标签的验证实例的框架，揭示了现有验证器的数值容忍度问题和实现错误，并引入了验证难度轮廓以系统研究验证器失败模式，评估了五种最先进的验证器并展示了不同实例对验证流程不同方面的压力测试。

Differentiable Optimization Layers for Guaranteed Fairness in Deep Learning

可微优化层用于深度学习中的保证公平性

David Troxell, Noah Roemer, Guido Montúfar

机构 * Department of Statistics \& Data Science, University of California, Los Angeles, USA ； Department of Mathematics, University of California, Los Angeles, USA ； Max Planck Institute for Mathematics in the Sciences, Leipzig, Germany 纠错

AI总结 本文提出了一种称为'公平性层'的可微优化层，该层可确保在神经网络中集成时满足所选的输出平等性概念，并介绍了一个在线对偶推理算法，为流式预测提供可证明的公平性保证，即使使用任意小的批量大小。

Comments To be published in International Conference on Machine Learning (ICML), 2026

MoCA3D: Monocular 3D Bounding Box Prediction in the Image Plane

MoCA3D：单目3D边界框在图像平面中的预测

Changwoo Jeon, Rishi Upadhyay, Achuta Kadambi

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

AI总结 MoCA3D通过密集预测实现单目3D边界框预测，无需相机内参即可获得图像平面几何信息，实验表明其在图像平面几何一致性上优于现有方法。

Comments 27 pages, 9 figures, including supplementary material

Enhancing Table Reasoning with Deterministic Table-State Rewards

通过确定性表格状态奖励增强表格推理

Tung Sum Thomas Kwok, Xinyu Wang, Hengzhi He, Xiaofeng Lin, Peng Lu, Liheng Ma, Chunhe Wang, Chun Ho Mak, Yuyu Luo, Ying Nian Wu, Lei Ding, Guang Cheng

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； University College London（伦敦大学学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Manitoba（曼尼托巴大学） 纠错

AI总结 本文提出TABROUGE，一种无需训练的确定性状态奖励，通过改进的LCS指标评估表格状态，提升表格推理准确率并减少样本需求。

Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models

基于图扩散模型的多LLM代理通信拓扑动态生成

Eric Hanchen Jiang, Mengting Li, Guancheng Wan, Sophia Yin, Yuchen Wu, Xiao Liang, Xinfeng Li, Yizhou Sun, Wei Wang, Kai-Wei Chang, Ying Nian Wu

机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出Guided Topology Diffusion框架，通过迭代构建过程生成适应任务需求的高效通信拓扑，优于现有方法。

Comments ACL 2026 Main

Lipschitz-Guided Design of Interpolation Schedules in Generative Models

基于Lipschitz性的生成模型插值调度设计

Yifan Chen, Eric Vanden-Eijnden, Jiawei Xu

机构 * Department of Mathematics, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校数学系） ； Machine Learning Lab, Capital Fund Management, Paris, France（Capital Fund Management机器学习实验室） ； Courant Institute, New York University, NY, USA（纽约大学Courant研究所） ； Now at University of Maryland, College Park, MD, USA（现在位于马里兰大学 College Park 分校） 纠错

AI总结 本文研究了生成模型中插值调度的设计，从统计和数值角度出发，提出通过最小化漂移场的平均平方Lipschitz性来设计调度，以提升生成模型的稳定性与准确性。

Asking Back: Interaction-Layer Antidistillation Watermarks

反向提问：交互层反知识蒸馏水印

Guang Yang, Amir Ghasemian, Fengchen Liu, Zhong Wang, Ninareh Mehrabi, Homa Hosseinmardi

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； Meta 纠错

AI总结 本文提出交互层反知识蒸馏水印，通过教师模型的行为特征进行水印，验证其在不同模型上的有效性与鲁棒性。

Comments 34 pages, 17 figures