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

Multiple Neural Operators Achieve Near-Optimal Rates for Multi-Task Learning

多重神经算子在多任务学习中实现接近最优的速率

Adrien Weihs, Hayden Schaeffer

机构 * Department of Mathematics,Id University of California Los Angeles,Id（数学系，加州大学洛杉矶分校） 纠错

AI总结 本文研究了共享多任务设置中学习一组算子的近似性和统计复杂性，重点探讨了多重神经算子（MNO）架构。对于广泛类别的Lipschitz多重算子映射，推导出近似和统计泛化性的近优上界。同时，建立了参数复杂性的诅咒并证明了相应的最小最大速率。这些结果表明，跨任务共享表示不会增加总体成本：多任务算子学习遵循与单算子学习相同的缩放定律。此外，本文还比较了MNO与基于拼接任务输入的深度ONet多任务扩展版本，并表明从最坏情况的近似复杂性角度看，两种架构满足本质上相同的渐进行速率。

From Snapshots to Trajectories: Learning Single-Cell Gene Expression Dynamics via Conditional Flow Matching

从快照到轨迹：通过条件流匹配学习单细胞基因表达动力学

Siyu Pu, Qingqing Long, Xiaohan Huang, Haotian Chen, Jiajia Wang, Meng Xiao, Xiao Luo, Hengshu Zhu, Yuanchun Zhou, Xuezhi Wang

机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出单细胞流匹配（scFM）方法，通过条件流匹配学习单细胞基因表达的动力学，解决时间点不连续和长时间预测中的分布漂移问题，提升轨迹推断的准确性和时间一致性。

UniSD: Towards a Unified Self-Distillation Framework for Large Language Models

UniSD：面向大语言模型的统一自蒸馏框架

Yiqiao Jin, Yiyang Wang, Lucheng Fu, Yijia Xiao, Yinyi Luo, Haoxin Liu, B. Aditya Prakash, Josiah Hester, Jindong Wang, Srijan Kumar

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Carnegie Mellon University（卡内基梅隆大学） ； William & Mary（威廉与玛丽大学） 纠错

AI总结 本文提出UniSD框架，系统研究自蒸馏方法，通过整合多种机制提升监督可靠性、表征对齐和训练稳定性，从而在多个基准和模型上验证自蒸馏的有效性，并构建出性能最优的UniSDfull流水线。

Comments Website: https://unifiedsd.github.io/ Code: https://github.com/Ahren09/UniSD

Seizure-Semiology-Suite (S3): A Clinically Multimodal Dataset, Benchmark, and Models for Seizure Semiology Understanding

癫痫半相学套件（S3）：一个临床多模态数据集、基准和模型用于癫痫半相学理解

Lina Zhang, Tonmoy Monsoor, Peizheng Li, Jiarui Cui, Xinyi Peng, Chong Han, Prateik Sinha, Siyuan Dai, Jessica Nichole Pasqua, Colin M McCrimmon, Weiting Liu, Hailey Marie Miranda, Bing Hu, Xiangting Wu, Tengyou Xu, Chunhan Li, Jiaye Tian, Jiarui Tang, Detao Ma, Lingye Kong, Junnan Lyu, Jungang Li, Yan Zan, Junhua Huang, Rajarshi Mazumder, Vwani Roychowdhury

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Pittsburgh（匹兹堡大学） ； Fudan University（复旦大学） ； University of California, Riverside（加州大学河滨分校） ； Hong Kong University of Science（香港科学大学） ； Maharishi International University（玛希拉国际大学） 纠错

AI总结 本文提出S3数据集和基准，用于细粒度、结构化的癫痫半相学理解，通过评估多模态大语言模型在低级视觉感知、时间序列处理、叙述报告生成和癫痫诊断中的能力，揭示了现有模型在左右脑推理、时间定位、症状序列和临床忠实报告方面的系统性弱点，并展示了针对癫痫的微调和双阶段神经符号框架在癫痫与非癫痫癫痫分类中的高F1分数。

Comments Accepted to ICML 2026 as a Spotlight presentation

HIDBench: Benchmarking Large Language Models for Host-Based Intrusion Detection

HIDBench: 用于基于主机入侵检测的大型语言模型评估

Danyu Sun, Jinghuai Zhang, Yuan Tian, Zhou Li

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

AI总结 本文提出HIDBench基准测试，用于评估大型语言模型在支持基于主机的入侵检测系统（HIDS）中的能力，揭示了LLM在复杂系统日志数据中的性能差异和敏感性。

AutoRubric-T2I: Robust Rule-Based Reward Model for Text-to-Image Alignment

AutoRubric-T2I: 一种用于文本到图像对齐的鲁棒基于规则的奖励模型

Kuei-Chun Kao, Daixuan Huo, Yuanhao Ban, Cho-Jui Hsieh

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

AI总结 本文提出AutoRubric-T2I，一种首个用于文本到图像生成的规则学习框架，通过自动合成和选择显式规则来指导视觉语言模型（VLM）法官。该方法通过合成偏好对的推理轨迹生成候选规则，并利用VLM法官在每种规则下对配对图像进行评分，产生配对规则评分差异用于偏好学习。通过ℓ1正则化逻辑回归精简器去除噪声和冗余规则，从而在少量标注偏好数据下生成高质量、可解释的奖励信号，并在多个图像奖励基准测试中优于现有奖励模型基线。

Comments 27 pages

FD-Bench: A Modular and Fair Benchmark for Data-driven Fluid Simulation

FD-Bench: 一种模块化且公平的用于数据驱动流体模拟的基准测试

Haixin Wang, Ruoyan Li, Fred Xu, Fang Sun, Kaiqiao Han, Zijie Huang, Ching Chang, Xiao Luo, Wei Wang, Yizhou Sun

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Meta ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出FD-Bench，一个模块化、公平、全面且可重复的数据驱动流体模拟基准测试，通过统一的实验设置评估85个基线模型，解决可重复性和可比性问题，为未来数据驱动流体模型的稳健评估奠定基础。

Comments 32 pages, 20 figures, paper accepted by KDD 2026