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

FormalRx: Rectify and eXamine Semantic Failures in Autoformalization

FormalRx：纠正和检查自动形式化中的语义错误

Haocheng Wang, Baiyu Huang, Yingjia Wan, Xiao Zhu, Xiaoyang Liu, Yinya Huang, Zhijiang Guo

机构 * LARK Lab, HKUST(GZ)（香港科技大学（广州）LARK实验室） ； ETH Zurich（苏黎世联邦理工学院） ； UCLA（加州大学洛杉矶分校） ； SJTU（上海交通大学） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； HKUST（香港科技大学） 纠错

AI总结 研究自动形式化中语义对齐问题，提出FormalRx框架，核心是SCI错误分类法，能实现对齐判定、错误分类、定位及纠正，通过实例验证性能优于基线，助力自动形式化系统诊断与改进。

Comments 44 pages, 5 figures. Accepted at the 43rd International Conference on Machine Learning (ICML 2026)

Signal or Noise? Understanding Generative Models for Real-World Sensor Time Series

信号还是噪声？理解用于现实世界传感器时间序列的生成模型

Zitao Shuai, Zongzhe Xu, Yuntian Wu, Sirui Li, Tianhong Li, Yuzhe Yang

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究针对现实世界传感器时间序列生成模型碎片化问题，引入SensorGen大规模研究，评估五个主要家族的生成模型，发现流匹配模型性能强、信号属性重要、生成信号有实用价值。

G$^2$TAM: Geometry Grounded Track Anything Model

G$^2$TAM：几何基础的轨迹任意模型

Chenming Zhu, Peizhou Cao, Jingli Lin, Wenbo Hu, Yunlong Ran, Jiangmiao Pang, Tai Wang, Xihui Liu

机构 * HKU（香港大学） ； Shanghai AI Lab（上海人工智能实验室） ； BUAA（北京航空航天大学） ； SJTU（上海交通大学） ； UCLA（加州大学洛杉矶分校） ； ZJU（浙江大学） 纠错

AI总结 研究利用现代前馈3D重建模型的空间一致性，提出G$^2$TAM框架，用无序RGB图像或视频进行3D实例跟踪。核心是跨模态空间编码器，还构建数据集，实验表明该模型有多种优势，为交互式空间推理奠定基础。

Comments Accepted by ICML 2026. Project Page:https://zcmax.github.io/projects/G2TAM/

Triangular Consistency as a Universal Constraint for Learning Optical Flow

三角一致性作为光流学习的通用约束

Yi Xiao, Carlos Rodriguez Coronel, Jing Zhan, Haniyeh Ehsani Oskouie, Alex Wong, Dong Lao

机构 * Louisiana State University（路易斯安那州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Yale University（耶鲁大学） 纠错

AI总结 提出三角一致性约束，通过组合两个光流诱导第三个光流并强制三者一致，适用于不同网络架构、监督类型和数据集，在监督、无监督和迁移学习中均提升性能。

Comments Accepted by ECCV 2026