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

Neural Control: Adjoint Learning Through Equilibrium Constraints

神经控制：通过平衡约束的伴随学习

Dezhong Tong, Jiawen Wang, Hengyi Zhou, Yinglong Shen, Xiaonan Huang, M. Khalid Jawed

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 提出Neural Control框架，利用伴随方法通过平衡条件微分传播梯度，避免求解器展开，结合滚动时域延续实现长时程隐式控制，在可变形线性物体操作中验证有效性。

Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)

Arena-T2I Hard: Benchmarking and Improving Faithfulness with Dependency-Aware Checklist

Arena-T2I Hard：基于依赖感知清单的忠实性基准测试与改进

Yuanhao Ban, Tong Xie, Sohyun An, Yunqi Hong, Evan Frick, I-Hung Hsu, Wei-Lin Chiang, Ion Stoica, Cho-Jui Hsieh

机构 * Arena Intelligence Inc ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 针对现有忠实性基准在复杂指令上的不足，提出310条压力测试提示集Arena-T2I Hard，并设计依赖感知清单奖励结合美学奖励，显著提升文本到图像模型的忠实性-美学权衡。

Teaching LLMs to Recommend and Defer in Underrepresented Epilepsy Care

在资源不足的癫痫护理中教授LLMs推荐与转诊

Shreyas Rajesh, Kartik Sharma, Tonmoy Monsoor, Mehmet Yigit Turali, Richard Idro, Juliana Kayaga, Robert Sebunya, Tracy Tushabe Namata, Jessica Nichole Pasqua, Vwani Roychowdhury, Rajarshi Mazumder

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Makerere University（马凯雷雷大学） ； St. Francis Hospital Nsambya（圣弗朗西斯医院恩桑比亚分院） 纠错

AI总结 针对资源匮乏环境下专科癫痫专家稀缺的问题，提出MANANA框架，通过非参数提示学习从少量患者数据中学习本地处方指南，结合贝叶斯提示平均实现不确定性驱动的选择性预测，在乌干达儿科癫痫队列中提升处方准确率并支持转诊。

Comments 34 pages, 8 figures

AgRefactor: Self-Evolving Agentic Workflow for HLS Compatibility and Performance

AgRefactor：面向HLS兼容性与性能的自进化智能体工作流

Yang Zou, Zijian Ding, Yizhou Sun, Jason Cong

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 提出基于LLM的多智能体工作流AgRefactor，通过自进化记忆系统和自动化重构工具，将软件代码重构为HLS兼容程序，在11个基准测试中9个超越现有方法，并实现6.51x几何平均加速。

Joint Optimization for 4D Human-Scene Reconstruction in the Wild

野外4D人体-场景重建的联合优化

Zhizheng Liu, Joe Lin, Wayne Wu, Bolei Zhou

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 提出JOSH方法，通过联合优化场景、相机姿态和人体运动，从单目视频中实现野外4D人体-场景重建，优于现有方法。

Comments Project Page: https://vail-ucla.github.io/JOSH/