TriSearch: Learning to Optimize Triangulations via Bistellar Flips
TriSearch：通过双星翻转学习优化三角剖分
机构 * UCLA（加州大学洛杉矶分校） ； MPI MiS（马克斯·普朗克研究所（MiS））
AI总结 提出基于强化学习的框架TriSearch，利用电路支撑的子三角剖分动作表示，通过双星翻转优化多面体三角剖分目标，实现零样本泛化到更大实例。
高校专区
University of California, Los Angeles（加州大学洛杉矶分校）
Token Inflation: How Dishonest Providers Can Overcharge for Large Language Model Usage
Token通胀：不诚实的提供商如何对大型语言模型使用超额收费
机构 * University of Tennessee, Knoxville（田纳西大学，基洛纳分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 研究揭示了基于每token计费的大型语言模型商业服务中，提供商利用审计信任悖论系统性地虚报token数量，导致用户费用大幅增加的问题。
Adaptive Exponential Integration for Stable Gaussian Mixture Black-Box Variational Inference
自适应指数积分用于稳定高斯混合黑箱变分推断
机构 * School of Mathematical Sciences, Peking University, Beijing, China（北京大学数学科学学院） ； Department of Mathematics, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校数学系） ； Beijing International Center for Mathematical Research, Center for Machine Learning Research, Peking University, Beijing, China（北京国际数学研究中心，机器学习研究中心，北京大学，北京，中国）
AI总结 针对高斯混合黑箱变分推断的不稳定和低效问题，提出结合仿射不变预处理、无条件保持协方差正定性的指数积分器和自适应时间步长的稳定高效框架，并证明其收敛性。
Comments 41 pages, 10 figures
Offline Reinforcement Learning with Generative Trajectory Policies
基于生成轨迹策略的离线强化学习
机构 * School of Computing, Data Sciences ； Computer Engineering Department, UCLA, Los Angeles, USA
AI总结 本文提出生成轨迹策略（GTP），通过统一扩散、流匹配和一致性模型为常微分方程驱动的连续时间生成轨迹，并引入两种理论自适应方法，在D4RL基准上达到最先进性能。
Comments ICML 2026
GPS-Enhanced Tourist Mobility Modeling with Seasonal Spatial Priors and LLM-Based Activity Chain Generation
基于季节性空间先验和LLM活动链生成的GPS增强游客移动性建模
机构 * UCLA Mobility Lab, Department of Civil and Environmental Engineering, University of California, Los Angeles（加州大学洛杉矶分校移动实验室，土木与环境工程系，加州大学洛杉矶分校） ； Novateur Research Solutions（Novateur研究解决方案） ； University of Central Florida（中央佛罗里达大学）
AI总结 提出一种四阶段仿真框架，结合GPS和调查数据推导的月份条件空间先验、游客人口统计信息、距离可行区域序列分配以及基于LLM的活动链生成，以解决游客移动性建模中非例行、吸引驱动且对旅行目的、季节和成员组成高度敏感的问题。
On Asymmetric Optimization of Reasoning and Perception in Vision-Language Model Post-Training
视觉语言模型后训练中推理与感知的非对称优化研究
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 通过合成任务诊断发现，后训练中推理提升显著优于感知，SFT源于感知token少导致训练信号弱，RL源于奖励耦合，提出动态重加权损失和感知奖励可缓解不平衡并提升端到端性能。
Comments Project: https://asymmetric-vlm-post-training.github.io/
ChildVox: A Speech, Audio, and Large Audio-Language Model Benchmark in Understanding and Characterizing Sound across Childhood
ChildVox：理解与表征儿童期声音的语音、音频及大型音频语言模型基准
机构 * University of Southern California（南加州大学） ； The Ohio State University（俄亥俄州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； Boston University（波士顿大学） ； University of Miami（迈阿密大学）
AI总结 提出ChildVox基准，整合17个儿童音频数据集和20多个子任务，评估多种基础模型在儿童生理声、非语言发声、规范音节和口语识别上的性能。
Comments preprint under review
Thoughts-as-Planning: Latent World Models for Chain-of-Thoughts Optimization via Reinforcement Planning
思想即规划：通过强化规划进行思维链优化的潜在世界模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学）
AI总结 提出Thoughts-as-Planning框架，将思维链优化形式化为潜在语义空间中的序贯决策过程，通过潜在世界模型模拟推理链编辑对下游输出的影响，并利用梯度下降或强化学习进行规划，在语言理解和生成任务上优于现有基线。
Riemannian AmbientFlow: Towards Simultaneous Manifold Learning and Generative Modeling from Corrupted Data
黎曼环境流：面向从损坏数据同时进行流形学习和生成建模
机构 * Department of Mathematics, University of California, Los Angeles（数学系，加州大学洛杉矶分校） ； Department of Statistics and Data Science, University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校）
AI总结 提出Riemannian AmbientFlow框架，通过变分推断和数据驱动黎曼几何，从损坏观测中同时学习概率生成模型和非线性数据流形，并理论保证误差可控与双Lipschitz流形参数化。
