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

Anthropomorphism and Trust in Human-Large Language Model interactions

拟人化与人类-大语言模型互动中的信任

Akila Kadambi, Ylenia D'Elia, Tanishka Shah, Iulia Comsa, Alison Lentz, Katie Siri-Ngammuang, Tara Buechler, Jonas Kaplan, Antonio Damasio, Srini Narayanan, Lisa Aziz-Zadeh

机构 * Brain and Creativity Institute, Dornsife College of Letters, Arts and Sciences, University of Southern California（脑与创造力研究所，文理学院，南加州大学） ； USC Mrs. T.H. Chan Division of Occupational Science and Occupational Therapy, University of Southern California（USC 玛丽·T.H.陈职业科学与职业治疗 division，南加州大学） ； Psychiatry and Biobehavioral Sciences, David Geffen School of Medicine, University of California, Los Angeles（精神病学与生物行为科学，大卫·格芬医学院，加州大学洛杉矶分校） ； Google DeepMind, Zurich（谷歌深Mind，苏黎世） ； Google Research（谷歌研究） ； Brain and Creativity Institute（脑与创造力研究所） 纠错

AI总结 研究探讨了人们如何通过温暖、能力与共情维度对大语言模型进行拟人化并建立信任，发现温暖和认知共情显著影响多种感知，而能力主要影响除拟人化外的其他结果。

Topology-Aware Active Learning on Graphs

图拓扑感知的主动学习

Harris Hardiman-Mostow, Jack Mauro, Adrien Weihs, Andrea L. Bertozzi

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

AI总结 本文提出一种图拓扑方法用于主动学习，通过构造基于平衡Forman曲率的coreset算法，引导探索并实现从探索到利用的动态切换，提升半监督学习性能。

SPG: Sandwiched Policy Gradient for Masked Diffusion Language Models

SPG：用于遮蔽扩散语言模型的夹心策略梯度

Chenyu Wang, Paria Rashidinejad, DiJia Su, Song Jiang, Sid Wang, Siyan Zhao, Cai Zhou, Shannon Zejiang Shen, Feiyu Chen, Tommi Jaakkola, Yuandong Tian, Bo Liu

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； MIT（麻省理工学院） ； USC（南加州大学） ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 本文提出SPG策略梯度方法，通过同时利用真实对数似然的上下界，解决扩散大语言模型在强化学习中对齐人类偏好或任务奖励的难题，实验显示其在多个任务中表现优异。

Comments ICLR 2026

Discrete Guidance Matching: Exact Guidance for Discrete Flow Matching

离散指导匹配：用于离散流匹配的精确指导

Zhengyan Wan, Yidong Ouyang, Liyan Xie, Fang Fang, Hongyuan Zha, Guang Cheng

机构 * School of Statistics, East China Normal University（华东师范大学统计学院） ； Department of Statistics, University of California, Los Angeles（加州大学洛杉矶分校统计系） ； Department of Industrial and Systems Engineering, University of Minnesota（明尼苏达大学工业与系统工程系） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） 纠错

AI总结 本文提出了一种新的离散数据指导框架，通过推导所需分布的精确转移率，提高采样效率，并展示了其在能量引导模拟和文本到图像生成中的有效性。

Comments Published as a conference paper at ICLR 2026

Climate Model Tuning with Online Synchronization-Based Parameter Estimation

气候模型调谐与基于在线同步的参数估计

Jordan Seneca, Suzanne Bintanja, Frank M. Selten

机构 * Koninklijk Nederlands Meteorologisch Instituut（荷兰皇家气象研究所） ； Mani L. Bhaumik Institute for Theoretical Physics（Mani L. Bhaumik理论物理研究所） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种自适应超模型方法，通过优化超模型成员内部参数来减少气候模型偏差，实验表明该方法在挑战性案例中表现接近完美模型。

Comments 25 pages, 12 figures

A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

一种 bipartite 图方法用于美国-中国跨市场收益率预测

Jing Liu, Maria Grith, Xiaowen Dong, Mihai Cucuringu

机构 * Department of Statistics, University of Oxford, UK（英国牛津大学统计学系） ； Finance Department, Neoma Business School, France（法国Neoma商学院金融系） ； Department of Engineering Science, University of Oxford, UK（英国牛津大学工程科学系） ； Department of Mathematics, University of California Los Angeles, US（美国加州大学洛杉矶分校数学系） ； Oxford-Man Institute of Quantitative Finance, University of Oxford, UK（牛津大学量化金融研究所） 纠错

AI总结 本文通过保留经济结构的机器学习框架研究跨市场收益率可预测性，利用中美股市非重叠交易时间构建有向 bipartite 图，通过滚动窗口假设检验选择边，作为下游模型的稀疏特征选择层，发现美国前收盘到收盘收益率对中国日内收益率有显著预测信息。

Locate, Steer, and Improve: A Practical Survey of Actionable Mechanistic Interpretability in Large Language Models

定位、引导与改进：大型语言模型中可操作机制可解释性的一项实用调查

Hengyuan Zhang, Zhihao Zhang, Mingyang Wang, Zunhai Su, Yiwei Wang, Qianli Wang, Shuzhou Yuan, Ercong Nie, Xufeng Duan, Feijiang Han, Qibo Xue, Zeping Yu, Chenming Shang, Xiao Liang, Jing Xiong, Hui Shen, Chaofan Tao, Zhengwu Liu, Senjie Jin, Zhiheng Xi, Dongdong Zhang, Sophia Ananiadou, Tao Gui, Ruobing Xie, Hayden Kwok-Hay So, Hinrich Schütze, Xuanjing Huang, Qi Zhang, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； Fudan University（复旦大学） ； LMU Munich（慕尼黑大学） ； Tsinghua University（清华大学） ； Technische Universität Darmstadt（达姆施塔特技术大学） ； Technische Universität Berlin（柏林技术大学） ； Technische Universität Dresden（德累斯顿技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanjing University（南京大学） ； University of Manchester（曼彻斯特大学） ； Dartmouth College（达特茅斯学院） ； University of California Los Angeles（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； Microsoft（微软） ； Tencent（腾讯） 纠错

AI总结 本文提出一个实用调查，围绕'定位、引导与改进'流程，系统分类定位和引导方法，展示如何通过该框架提升模型对齐、能力和效率。

Does RLVR Extend Reasoning Boundaries? Investigating Capability Expansion in Vision-Language Models

RLVR能否扩展推理边界？探究视觉-语言模型中的能力扩展

Minghe Shen, Zhuo Zhi, Chonghan Liu, Shuo Xing, Zhengzhong Tu, Che Liu

机构 * University College London（伦敦大学学院） ； Samsung R&D Institute UK（三星英国研发院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Texas A&M University（德克萨斯农工大学） ； Imperial College London（伦敦帝国学院） 纠错

AI总结 本文通过Ariadne框架研究RLVR对视觉-语言模型空间推理能力的影响，证明其能扩展推理边界，并在真实导航任务中取得提升。

BridgeSim: Unveiling the OL-CL Gap in End-to-End Autonomous Driving

BridgeSim: 揭示端到端自动驾驶中的OL-CL差距

Seth Z. Zhao, Luobin Wang, Hongwei Ruan, Yuxin Bao, Yilan Chen, Ziyang Leng, Abhijit Ravichandran, Honglin He, Zewei Zhou, Xu Han, Abhishek Peri, Zhiyu Huang, Pranav Desai, Henrik Christensen, Jiaqi Ma, Bolei Zhou

机构 * UCLA（加州大学洛杉矶分校） ； UCSD（加州大学圣地亚哥分校） ； Qualcomm（高通公司） 纠错

AI总结 本文揭示了OL策略在闭环部署中转移效果差的根本原因，提出Test-Time Adaptation框架以校正观测域偏移和状态-动作偏差，提升端到端自动驾驶性能。

SciPredict: Can LLMs Predict the Outcomes of Scientific Experiments in Natural Sciences?

SciPredict: LLMs能否预测自然科学中的实验结果？

Udari Madhushani Sehwag, Elaine Lau, Haniyeh Ehsani Oskouie, Shayan Shabihi, Erich Liang, Andrea Toledo, Guillermo Mangialardi, Sergio Fonrouge, Ed-Yeremai Hernandez Cardona, Paula Vergara, Utkarsh Tyagi, Chen Bo Calvin Zhang, Pavi Bhatter, Nicholas Johnson, Furong Huang, Ernesto Gabriel Hernandez Montoya, Bing Liu

机构 * Scale AI ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Maryland（马里兰大学） ； Princeton University（普林斯顿大学） ； Human Frontier Collective（人类前沿集体） 纠错

AI总结 SciPredict通过405个实验任务评估LLM预测科学实验结果的准确性，发现模型表现低于人类专家，且无法区分可靠与不可靠的预测。

Dynamic Adaptive Attention and Supervised Contrastive Learning: A Novel Hybrid Framework for Text Sentiment Classification

动态自适应注意力与监督对比学习：一种新的混合框架用于文本情感分类

Qingyang Li

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

AI总结 本文提出一种结合动态自适应注意力与监督对比学习的混合框架，用于提升文本情感分类的准确性，实验表明其在IMDB数据集上达到94.67%的准确率，优于现有基线模型。

Find Your Optimal Teacher: Personalized Data Synthesis via Router-Guided Multi-Teacher Distillation

找到你的最优教师：通过路由器引导的多教师蒸馏实现个性化数据合成

Hengyuan Zhang, Shiping Yang, Xiao Liang, Chenming Shang, Yuxuan Jiang, Chaofan Tao, Jing Xiong, Hayden Kwok-Hay So, Ruobing Xie, Angel X. Chang, Ngai Wong

机构 * The University of Hong Kong（香港大学） ； Simon Fraser University（西蒙菲莎大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Dartmouth College（达特茅斯学院） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） ； Tencent（腾讯） 纠错

AI总结 本文提出PerSyn策略，通过'路由然后生成'范式为每个学生模型定制数据，提升学习效率。实验表明其在指令微调和数学推理中表现优异。

Comments ACL 2026 Main Conference

PosterGen: Aesthetic-Aware Multi-Modal Paper-to-Poster Generation via Multi-Agent LLMs

PosterGen：基于多智能体LLM的美观化论文到海报生成

Zhilin Zhang, Xiang Zhang, Jiaqi Wei, Yiwei Xu, Chenyu You

机构 * Stony Brook University（石溪大学） ； New York University（纽约大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 PosterGen通过多智能体LLM实现论文到海报的美观化生成，包含四个协作专业代理，提升设计质量和视觉吸引力。

Comments Project Website: https://Y-Research-SBU.github.io/PosterGen

Data Mixing Agent: Learning to Re-weight Domains for Continual Pre-training

数据混合代理：学习重新加权领域以实现持续预训练

Kailai Yang, Xiao Liu, Lei Ji, Hao Li, Xiao Liang, Zhiwei Liu, Yeyun Gong, Peng Cheng, Mao Yang

机构 * The University of Manchester（曼彻斯特大学） ； Microsoft Research（微软研究院） ； Imperial College London（伦敦帝国学院） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出数据混合代理，通过强化学习学习重新加权领域，实现持续预训练中的平衡性能，优于现有基线方法，并在未见过的领域中表现良好。

Comments Accepted by the ACL 2026 main conference

Constraining Sequential Model Editing with Editing Anchor Compression

通过编辑锚压缩约束序列模型编辑

Hao-Xiang Xu, Jun-Yu Ma, Zhen-Hua Ling, Ningyu Zhang, Jia-Chen Gu

机构 * National Engineering Research Center of Speech and Language Information Processing, University of Science and Technology of China（中国科学技术大学语音及语言信息处理国家工程研究中心） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出Editing Anchor Compression框架，通过选择重要编辑锚点压缩参数矩阵，减少序列编辑中的偏差，保留模型通用能力并提升编辑知识保留度。

Comments Accepted by NAACL 2025 Findings

Biconvex Biclustering

双凸双聚

Sam Rosen, Eric C. Chi, Jason Xu

机构 * Duke University（杜克大学） ； University of Minnesota（明尼苏达大学） ； University of California Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出双凸改进以提升高维数据下的双聚性能，通过联合学习并加权信息特征发现双聚簇，理论支持并提供高效算法及超参数调优指导。

Comments 34 pages, 5 figures

Relational Visual Similarity

关系视觉相似性

Thao Nguyen, Sicheng Mo, Krishna Kumar Singh, Yilin Wang, Jing Shi, Nicholas Kolkin, Eli Shechtman, Yong Jae Lee, Yuheng Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Adobe Research（Adobe研究院） 纠错

AI总结 本文提出通过关系相似性而非视觉属性来衡量图像相似性，构建了首个基于关系逻辑的图像表示空间，揭示了现有视觉模型在捕捉关系相似性方面的不足。

Comments CVPR 2026 camera-ready; Project page, data, and code: https://thaoshibe.github.io/relsim

Visually-grounded Humanoid Agents

基于视觉的人形代理

Hang Ye, Xiaoxuan Ma, Fan Lu, Wayne Wu, Kwan-Yee Lin, Yizhou Wang

机构 * Peking University（北京大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Tongji University（同济大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Michigan（密歇根大学） 纠错

AI总结 本文提出基于视觉的人形代理，通过两层架构实现自主行为，解决数字人主动行为在新环境中的问题，提升任务成功率和减少碰撞。

Comments Project page: https://alvinyh.github.io/VGHuman/

Vision-Language and Large Language Model Performance in Gastroenterology: GPT, Claude, Llama, Phi, Mistral, Gemma, and Quantized Models

视觉-语言与大语言模型在胃肠病学中的表现：GPT、Claude、Llama、Phi、Mistral、Gemma及量化模型

Seyed Amir Ahmad Safavi-Naini, Shuhaib Ali, Omer Shahab, Zahra Shahhoseini, Thomas Savage, Sara Rafiee, Jamil S Samaan, Reem Al Shabeeb, Farah Ladak, Jamie O Yang, Juan Echavarria, Sumbal Babar, Aasma Shaukat, Samuel Margolis, Nicholas P Tatonetti, Girish Nadkarni, Bara El Kurdi, Ali Soroush

机构 * Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； University of Texas Health（德克萨斯大学健康科学中心） ； Virginia Hospital Center（弗吉尼亚医院中心） ； Shahid Beheshti University of Medical Sciences（沙希德·贝赫什提医科大学） ； Stanford University（斯坦福大学） ； Cedars-Sinai Medical Center（西达赛奈医疗中心） ； Inova Fairfax Medical Campus（伊诺瓦费尔法克斯医疗中心） ； University of California–Los Angeles（加州大学洛杉矶分校） ； NYU Grossman School of Medicine（纽约大学格罗斯曼医学院） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本研究评估了大语言模型和视觉-语言模型在胃肠病学中的医学推理性能，比较了不同模型配置、参数及提示工程策略对性能的影响，发现专有模型在准确性上优于开源模型，且图像描述对视觉-语言模型性能有显著影响。

Comments Manuscript Pages: 34, Figures: 7, Tables: 2, Supplementary File Pages: 35, Data Transparency Statement: Code is available at: https://github.com/Sdamirsa/LLM-VLM-in-Gastroenterology . Study data from American College of Gastroenterology (ACG) are restricted and available upon request with ACG permission. Correction: updated abstract considering Llama3.1 results

Journal ref npj Digital Medicine 8, 797 (2025)

ACIArena: Toward Unified Evaluation for Agent Cascading Injection

ACIArena：迈向多智能体系统统一评估

Hengyu An, Minxi Li, Jinghuai Zhang, Naen Xu, Chunyi Zhou, Changjiang Li, Xiaogang Xu, Tianyu Du, Shouling Ji

机构 * Zhejiang University（浙江大学） ； State Key Laboratory of Internet Architecture, Tsinghua University（清华大学网络架构国家重点实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Palo Alto Networks ； Ningbo Global Innovation Center, Zhejiang University（浙江大学宁波全球创新中心） 纠错

AI总结 本文提出ACIArena框架，用于评估多智能体系统（MAS）的鲁棒性，通过多攻击面和目标的系统化测试，揭示单纯依赖拓扑结构评估不足，强调需通过角色设计和受控交互提升系统安全性。

Comments ACL 2026

Guardian-as-an-Advisor: Advancing Next-Generation Guardian Models for Trustworthy LLMs

顾问式守护者：推进下一代守护模型以实现可信的大语言模型

Yue Huang, Haomin Zhuang, Jiayi Ye, Han Bao, Yanbo Wang, Hang Hua, Siyuan Wu, Pin-Yu Chen, Xiangliang Zhang

机构 * University of Notre Dame（圣母大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； IBM Research（IBM研究院） 纠错

AI总结 本文提出Guardian-as-an-Advisor框架，通过预测风险标签和解释并前置建议，提升模型安全性和实用性，同时降低误拒率。

Contextual Earnings-22: A Speech Recognition Benchmark with Custom Vocabulary in the Wild

上下文收益-22：带有自定义词汇的语音识别基准测试

Berkin Durmus, Chen Cen, Eduardo Pacheco, Arda Okan, Atila Orhon

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

AI总结 本文提出Contextual Earnings-22基准测试，通过真实自定义词汇场景推动研究，揭示潜在进展。关键词提示和增强方法在扩展到大规模系统时表现出色。

Hallucination Detection and Evaluation of Large Language Model

大语言模型的幻觉检测与评估

Chenggong Zhang, Haopeng Wang, Hexi Meng

机构 * Department of Electrical and Computer Engineering, University of California, Los Angeles（加州大学洛杉矶分校电气与计算机工程系） 纠错

AI总结 本文提出HHEM模型，通过轻量级分类框架有效检测大语言模型幻觉，提升效率并保持高准确率，通过对比分析不同模型的检测效果，发现HHEM在时间与准确性上表现优异，但总结任务中存在局部幻觉问题，引入分段检索并分析模型规模与幻觉的关系。

SemEval-2026 Task 3: Dimensional Aspect-Based Sentiment Analysis (DimABSA)

SemEval-2026任务3：基于维度的方面情感分析（DimABSA）

Liang-Chih Yu, Jonas Becker, Shamsuddeen Hassan Muhammad, Idris Abdulmumin, Lung-Hao Lee, Ying-Lung Lin, Jin Wang, Jan Philip Wahle, Terry Ruas, Natalia Loukachevitch, Alexander Panchenko, Ilseyar Alimova, Lilian Wanzare, Nelson Odhiambo, Bela Gipp, Kai-Wei Chang, Saif M. Mohammad

机构 * Yuan Ze University（元智大学） ； University of Göttingen（哥廷根大学） ； Imperial College London（伦敦帝国学院） ； University of Pretoria（比勒陀利亚大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； Central Police University（中央警察大学） ； Yunnan University（云南大学） ； Lomonosov Moscow State University（莫斯科国立大学） ； Skoltech（斯科尔科沃科学技术学院） ； AIRI（人工智能研究所） ； Maseno University（马塞诺大学） ； UCLA（加州大学洛杉矶分校） ； National Research Council Canada（加拿大国家研究委员会） 纠错

AI总结 本文提出SemEval-2026任务3，旨在通过建模valence-arousal（VA）维度改进传统ABSA，引入DimStance任务以扩展ABSA至公共议题讨论，包含两个赛道和三个子任务，提出连续F1指标评估。

4D Vessel Reconstruction for Benchtop Thrombectomy Analysis

用于台式血栓切除分析的4D血管重建

Ethan Nguyen, Javier Carmona, Arisa Matsuzaki, Naoki Kaneko, Katsushi Arisaka

机构 * UCLA Health（加州大学洛杉矶分校健康中心） ； UCLA Physics and Astronomy（加州大学洛杉矶分校物理与天文学系） ； Chan Zuckerberg Biohub Network（陈-扎克伯格生物中心网络） ； Ronald Reagan UCLA Medical Center（罗纳德·里根加州大学洛杉矶分校医学中心） 纠错

AI总结 本文提出了一种低成本多视角工作流，用于台式血栓切除的4D高斯点云重建，实现了时间分辨的表面运动学和相对位移及应力代理测量，用于血栓切除台式研究。

Comments 20 pages, 10 figures, 1 table, supplementary material (3 tables, 3 figures, and 11 videos). Project page: https://ethanuser.github.io/vessel4D/

ExplainFuzz: Explainable and Constraint-Conditioned Test Generation with Probabilistic Circuits

ExplainFuzz: 基于概率电路的可解释且受约束的测试生成

Annaëlle Baiget, Jaron Maene, Seongmin Lee, Benjie Wang, Guy Van den Broeck, Miryung Kim

机构 * UCLA（加州大学洛杉矶分校） ； KU Leuven（鲁汶大学） 纠错

AI总结 ExplainFuzz利用概率电路学习并查询基于语法规则的测试输入的结构分布，通过条件化能力整合测试约束，提升生成输入的现实性和多样性，显著提高缺陷触发率。

Comments 19 pages

SymptomWise: A Deterministic Reasoning Layer for Reliable and Efficient AI Systems

SymptomWise: 一种用于可靠和高效人工智能系统的确定性推理层

Isaac Henry, Avery Byrne, Christopher Giza, Ron Henry, Shahram Yazdani

机构 * University of California Los Angeles, David Geffen School of Medicine（加州大学洛杉矶分校大卫·格芬医学院） ； University of Southern California（南加州大学） 纠错

AI总结 SymptomWise通过分离语言理解与诊断推理，结合专家知识和确定性推理，提升AI系统可靠性与可解释性，初步验证在儿科神经病学案例中表现优异。

Comments 18 pages, 1 figure,

Deep learning-enhanced dual-mode multiplexed optical sensor for point-of-care diagnostics of cardiovascular diseases

深度学习增强的双模式多路复用光学传感器用于心血管疾病的即时诊断

Gyeo-Re Han, Merve Eryilmaz, Artem Goncharov, Yuzhu Li, Shun Ye, Aoi Tomoeda, Emily Ngo, Margherita Scussat, Xiao Wang, Zixiang Ji, Max Zhang, Jeffrey J. Hsu, Omai B. Garner, Dino Di Carlo, Aydogan Ozcan

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Electrical & Computer Engineering Department（电气与计算机工程系） ； Bioengineering Department（生物工程系） ； Chemical and Biomolecular Engineering Department（化学与生物分子工程系） ； Department of Psychology（心理学系） ； Department of Computer Science（计算机科学系） ； Department of Chemistry and Biochemistry（化学与生物化学系） ； Department of Medicine（医学系） ； Department of Pathology and Laboratory Medicine（病理学与检验医学系） ； California NanoSystems Institute (CNSI)（加州纳米系统研究所） ； Department of Surgery（外科学系） 纠错

AI总结 本文提出一种结合深度学习的双模式多路复用垂直流分析传感器，实现快速、高灵敏度的心血管疾病诊断，适用于点即诊疗场景。

Comments 32 Pages, 6 Figures, 2 Tables

Journal ref Light: Science & Applications (2026)

A canonical generalization of OBDD

OBDD的规范推广

Florent Capelli, YooJung Choi, Stefan Mengel, Martín Muñoz, Guy Van den Broeck

机构 * Univ. Artois, CNRS, UMR 8188, CRIL（阿尔图瓦大学，法国国家科学研究中心，UMR 8188，计算机科学、信号与图像处理研究实验室） ； Arizona State University（亚利桑那州立大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文提出Tree Decision Diagrams作为布尔函数模型，扩展了OBDD。TDD在结构d-DNNF限制下具有与OBDD相同的可计算性，且更简洁，能高效表示树宽为k的CNF公式。

Comments Submitted to SAT26

Adaptive Serverless Resource Management via Slot-Survival Prediction and Event-Driven Lifecycle Control

基于槽生存预测和事件驱动生命周期控制的自适应无服务器资源管理

Zeyu Wang, Cuiqianhe Du, Renyue Zhang, Kejian Tong, Qi He, Qiyuan Tian

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Berkeley（加州大学伯克利分校） ； New York University（纽约大学） ； Independent Researcher, Mukilteo（独立研究员，穆基尔托） ； Fordham University（福特汉姆大学） ； Independent Researcher, Washington（独立研究员，华盛顿） 纠错

AI总结 本文提出一种自适应框架，通过事件驱动架构和概率建模优化无服务器性能，采用双策略动态调整空闲时间并基于槽生存预测实现智能请求等待策略，实验表明在多云环境中冷启动减少51.2%且成本效率提升近2倍。