Scalar Federated Learning for Linear Quadratic Regulator
标量联邦学习用于线性二次调节器
机构 * University of California, Irvine（加州大学尔湾分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 ScalarFedLQR通过分解投影梯度机制，实现高效联邦学习LQR控制，降低通信开销，提升高维下的收敛速度与稳定性。
高校专区
University of California, Los Angeles（加州大学洛杉矶分校）
MVNN: A Measure-Valued Neural Network for Learning McKean-Vlasov Dynamics from Particle Data
MVNN：一种用于从粒子数据中学习麦克肯-瓦拉斯动力学的测度神经网络
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出一种测度神经网络，用于从粒子轨迹数据中学习相互作用力，通过学习概率测度的柱状特征，实现对测度依赖的漂移项的直接推断，并在理论和数值实验中验证了其有效性。
DialectGen: Benchmarking and Improving Dialect Robustness in Multimodal Generation
DialectGen：多模态生成中方言鲁棒性评估与改进
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文通过构建涵盖六种英语方言的大型基准，评估多模态生成模型在方言输入下的表现，提出一种通用编码器策略提升方言鲁棒性，同时保持标准美式英语性能。
Decocted Experience Improves Test-Time Inference in LLM Agents
解毒经验提升LLM代理的测试时间推理
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文研究通过解毒经验提升LLM代理测试时间推理性能，探讨如何通过经验构建有效上下文以优化复杂推理任务。
Autonomous Agents for Scientific Discovery: Orchestrating Scientists, Language, Code, and Physics
自主代理用于科学发现：协调科学家、语言、代码和物理
机构 * Department of Computer Science and Engineering, Texas A&M University（德克萨斯农工大学计算机科学与工程系） ； Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Siebel School of Computing and Data Science, University of Illinois Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院） ； Department of Materials Science and Engineering, Texas A&M University（德克萨斯农工大学材料科学与工程系） ； Department of Electrical and Computer Engineering, Texas A&M University（德克萨斯农工大学电气与计算机工程系） ； Department of Physics and Astronomy, Texas A&M University（德克萨斯农工大学物理与天文学系）
AI总结 本文探讨基于LLM的科学代理，通过协调科学家、语言、代码和物理，加速科学发现的全过程，分析现有方法并提出未来研究方向。
Certified Training with Branch-and-Bound for Lyapunov-stable Neural Control
具有分支定界法的认证训练用于李雅普诺夫稳定的神经控制
机构 * University of California, Riverside（加州大学河滨分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本文提出CT-BaB框架，通过动态训练数据集和自适应分割技术，提升神经控制器在区域吸引域内的认证保证，减少训练与验证时间差异，实现更高效的验证和更大的吸引域。
Comments L4DC 2026
TABQAWORLD: Optimizing Multimodal Reasoning for Multi-Turn Table Question Answering
TABQAWORLD: 优化多模态推理以实现多轮表格问答
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； SimpleWay
AI总结 TABQAWORLD通过联合优化表格表示与估计，提升多轮表格问答的可靠性与效率，实现4.87%的准确率提升和33.35%的推理延迟降低。
Causal Bandit Over Unknown Graphs: Upper Confidence Bounds With Backdoor Adjustment
未知图中的因果投递：带有后门调整的上置信界
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文研究了在未知因果图下的因果投递问题，提出BA-UCB算法，通过结合观测和实验数据识别后门调整集，改进累积遗憾的上界并降低对干预臂数量的依赖。
Co-Evolution of Policy and Internal Reward for Language Agents
语言代理中策略与内部奖励的共演化
机构 * McGill University（麦吉尔大学） ； McMaster University（麦克马斯特大学） ； The University of Hong Kong（香港大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Peking University（北京大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； DeepWisdom（深度智慧） ； Université de Montréal（蒙特利尔大学） ； Mila（米拉研究所）
AI总结 本文提出Self-Guide方法，通过自动生成内部奖励实现推理和训练时的协同优化，提升语言代理性能。
Comments 20 pages, 13 figures
Agentic-MME: What Agentic Capability Really Brings to Multimodal Intelligence?
Agentic-MME：代理能力为多模态智能带来了什么？
机构 * CASIA（中国科学院自动化研究所） ； UCAS（中国科学院大学） ； SEU（东南大学） ； NJU（南京大学） ； PKU（北京大学） ； BUAA（北京航空航天大学） ； NTU（南洋理工大学） ； UCLA（加州大学洛杉矶分校）
AI总结 Agentic-MME通过418个真实任务评估多模态代理能力，采用过程验证方法，量化效率并验证工具调用准确性，实验显示模型在复杂任务中表现显著下降。
Sparse Bayesian Learning Algorithms Revisited: From Learning Majorizers to Structured Algorithmic Learning using Neural Networks
稀疏贝叶斯学习算法再审视：从学习majorizers到利用神经网络进行结构化算法学习
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校）
AI总结 本文重新审视稀疏贝叶斯学习算法，通过majorization-minimization原理推导主流算法并提供收敛保证，同时结合深度学习扩展SBL算法类别，提出能超越传统方法的新型架构。
Reward-Forcing: Autoregressive Video Generation with Reward Feedback
基于奖励的强制：利用奖励反馈的自回归视频生成
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文提出一种利用奖励信号指导生成的自回归视频生成方法，提升了生成效率和可扩展性，实验表明其性能与现有自回归模型相当，甚至在某些情况下超越了双向模型。
Comments https://openreview.net/forum?id=K8Qjsxxl7y¬eId=K8Qjsxxl7y
DePT3R: Joint Dense Point Tracking and 3D Reconstruction of Dynamic Scenes in a Single Forward Pass
DePT3R：在单次前向传递中联合密集点跟踪和动态场景的3D重建
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 DePT3R通过提取深度时空特征和密集预测头，实现动态场景的密集点跟踪与3D重建，无需相机姿态，提升适应性和效率。
Comments This is a work in progress
ARMOR: High-Performance Semi-Structured Pruning via Adaptive Matrix Factorization
ARMOR：通过自适应矩阵分解实现高性能半结构化剪枝
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 ARMOR通过自适应矩阵分解技术，实现高效的半结构化剪枝，保留模型质量的同时提升压缩效率和任务准确性。
Comments ICLR 2026, code: https://github.com/LawrenceRLiu/ARMOR
Learn then Decide: A Learning Approach for Designing Data Marketplaces
先学后决：一种用于设计数据市场的学习方法
机构 * Department of Statistics and Data Science, University of California, Los Angeles（加州大学洛杉矶分校统计与数据科学系） ； Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系） ； Department of Biostatistics, University of Pennsylvania（宾夕法尼亚大学生物统计系）
AI总结 本文提出MAPP机制，通过拍卖估计投标人价值分布并确定最优定价，确保公平和适应性定价，理论分析证明其在收益优化和最小价格歧视间的平衡。
Best-Arm Identification with Noisy Actuation
带有噪声执行的最优臂识别
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Meta, Central Applied Science（Meta中央应用科学部）
AI总结 研究在分布式代理间通过离散无记忆信道传递臂命令时最优臂识别问题，提出通信方案及其分析，与信道的零错误容量相关。
Generalization Bounds and Statistical Guarantees for Multi-Task and Multiple Operator Learning with MNO Networks
多任务和多重操作学习的泛化界限与统计保证：MNO网络
机构 * University of California Los Angeles（加州大学洛杉矶分校）
AI总结 本文研究了MNO网络在多任务和多重操作学习中的泛化界限，通过覆盖数分析得出了可分离模型的显式度量-熵界，并结合MNO的近似保证，获得了新三元组上的测试误差的显式近似-估计权衡。
AURA: Multimodal Shared Autonomy for Real-World Urban Navigation
AURA：多模态共享自主控制用于真实世界城市导航
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Zhejiang University（浙江大学）
AI总结 AURA通过将城市导航分解为高层人类指令和低层AI控制，减少人工操作负担，提升导航稳定性，并在真实世界中实现44%的接管减少。
Comments 17 pages, 18 figures, 4 tables, conference
Why Instruction-Based Unlearning Fails in Diffusion Models?
为何基于指令的反学习在扩散模型中失效？
机构 * University of Rochester（罗切斯特大学） ； UCLA（加州大学洛杉矶分校） ； UCSB（加州大学圣塔芭芭拉分校）
AI总结 研究探讨了基于指令的反学习在扩散模型中的有效性，发现扩散模型在仅依赖自然语言反学习指令时无法有效抑制目标概念，揭示了提示级指令的局限性。
Open-Domain Safety Policy Construction
开放领域安全政策构建
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Taboola
AI总结 本文提出Deep Policy Research（DPR），通过仅使用人类撰写的种子领域信息，构建完整的内容审核政策。DPR利用单一网络搜索工具和轻量级框架，迭代提出搜索查询，提炼多样化网络资源为政策规则，并将规则组织成索引文档。
Comments EACL 2026 (Findings)
PUNCH: Physics-informed Uncertainty-aware Network for Coronary Hemodynamics
PUNCH：一种融合物理信息的不确定性感知网络用于冠状动脉血流动力学
机构 * AngioInsight Inc.（AngioInsight公司） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Michigan（密歇根大学） ； Cardiovascular Research Foundation（心血管研究基金会） ； University of California, Riverside（加州大学河滨分校）
AI总结 PUNCH利用物理信息神经网络和变分推断，从标准冠状动脉造影直接估计血流储备，无需侵入性工具或群体训练，提供准确的冠状动脉微血管功能障碍诊断。
Modeling Irregular Astronomical Time Series with Neural Stochastic Delay Differential Equations
用神经随机延迟微分方程建模不规则天文时间序列
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Ulsan National Institute of Science and Technology（蔚山科学技术院）
AI总结 本文提出基于神经随机延迟微分方程的框架，用于处理不规则采样和不完整天文时间序列中的分类与异常检测问题，通过结合随机建模与神经网络，有效捕捉延迟时间动态并处理不规则观测。
Comments CIKM '25: Proceedings of the 34th ACM International Conference on Information and Knowledge Management. https://doi.org/10.1145/3746252.3760805
Routing-Free Mixture-of-Experts
无路由专家混合模型
机构 * Ludwig Maximilian University of Munich（慕尼黑大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
AI总结 本文提出无路由专家混合模型，通过消除传统集中路由机制，实现专家自主激活，改进资源分配方法，实验表明其在可扩展性和鲁棒性上优于基线模型。
Comments Code is available at https://github.com/liuyilun2000/RoutingFreeMoE/tree/release
Agent Q-Mix: Selecting the Right Action for LLM Multi-Agent Systems through Reinforcement Learning
Agent Q-Mix: 通过强化学习选择LLM多智能体系统的合适动作
机构 * University of California Los Angeles（加州大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Northwestern University（西北大学）
AI总结 本文提出Agent Q-Mix框架，通过强化学习解决多智能体系统中拓扑选择问题，实现去中心化通信决策，提升任务准确率与token效率。
Unify-Agent: A Unified Multimodal Agent for World-Grounded Image Synthesis
Unify-Agent：一种用于世界 grounded 图像合成的统一多模态代理
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Tencent Hunyuan（腾讯混元） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology（香港科技大学）
AI总结 本文提出Unify-Agent，一种统一多模态代理，用于世界 grounded 图像合成，通过代理流程提升图像生成质量，结合事实IP基准测试，展示其在多种任务中的优越表现。
Comments Project Page: https://github.com/shawn0728/Unify-Agent
SYNTHONY: A Stress-Aware, Intent-Conditioned Agent for Deep Tabular Generative Models Selection
SYNTHONY：一种考虑压力的、基于意图的深度表格生成模型选择代理
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
AI总结 本文提出SYNTHONY，一种基于意图的表格生成模型选择框架，通过压力分析选择最佳合成器，提升模型在不同数据分布下的性能和实用性。
A Survey on Graph Neural Network Acceleration: Algorithms, Systems, and Customized Hardware
图神经网络加速的综述：算法、系统与定制化硬件
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文综述了图神经网络加速的算法、系统及硬件方法，分析了现有技术并提出未来研究方向，旨在统一视角解决相关复杂性问题。
Balancing Efficiency and Empathy: Healthcare Providers' Perspectives on AI-Supported Workflows for Serious Illness Conversations in the Emergency Department
平衡效率与同理心：急诊部门医护人员对AI支持的严重疾病对话工作流的视角
机构 * Northeastern University（东北大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Harvard Medical School, Dana-Farber Cancer Institute, Brigham and Women’s Hospital（哈佛医学院、丹娜-法伯癌症研究所、布里格姆妇女医院） ； Pace University（佩斯大学）
AI总结 研究探讨急诊医护人员在严重疾病对话中使用AI技术的挑战与机遇，提出四阶段工作流及设计指南，强调效率与人文关怀的平衡。
Comments To appear at ACM CHI'26
Expressive Power of Implicit Models: Rich Equilibria and Test-Time Scaling
隐式模型的表达能力：丰富的均衡与测试时扩展
机构 * University of Central Florida（中佛罗里达大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Decision Intelligence Lab, DAMO Academy, Alibaba US（达摩院决策智能实验室，阿里巴巴美国）
AI总结 研究隐式模型通过非参数分析揭示其表达能力，证明其表达能力随测试时计算量增加而提升，验证了其在多个领域中的有效性。
An Information-Theoretic Approach to Understanding Transformers' In-Context Learning of Variable-Order Markov Chains
从信息论角度理解Transformer对可变阶马尔可夫链的上下文学习
机构 * Amazon AGI（亚马逊AGI） ； ECE Dept. Texas A&M University（德州农工大学电气与计算机工程系） ； EE Dept. UCLA（加州大学洛杉矶分校电气工程系）
AI总结 本文研究Transformer对可变长度马尔可夫链的上下文学习，探讨样本量增加时的有限样本精度。通过贝叶斯方法，发现上下文树加权算法能最优解决该问题，且多层Transformer在学习可变阶马尔可夫链上表现更佳。
Comments AISTATS 2026
