arXivDaily arXiv每日学术速递 周一至周五更新

高校专区

University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)

2026-04-16 至 2026-04-16 共收录 4
2604.13814 2026-04-16 cs.HC cs.AI

Cognitive Offloading in Agile Teams: How Artificial Intelligence Reshapes Risk Assessment and Planning Quality

敏捷团队中的认知卸载:人工智能如何重塑风险评估与规划质量

Adriana Caraeni, Alexander Shick, Andrew Lan

机构 * University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)

AI总结 本文通过实验比较AI、人类和混合规划模型,发现AI虽高效但风险评估差,人类虽灵活但成本高,提出混合框架提升规划质量。

Comments 7 pages, 5 Tables, under review

详情

展开后加载摘要…

URL PDF HTML 收藏
2604.13453 2026-04-16 cs.LG

FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction

FAST:一种结合注意机制和状态空间模型的协同框架用于时空交通预测

Xinjin Li, Jinghan Cao, Mengyue Wang, Yue Wu, Longxiang Yan, Yeyang Zhou, Ziqi Sha, Yu Ma

机构 * Columbia University(哥伦比亚大学) San Francisco State University(旧金山州立大学) University of California, Berkeley(加州大学伯克利分校) New York University(纽约大学) University of Pennsylvania(宾夕法尼亚大学) University of California, San Diego(加州大学圣地亚哥分校) University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校) Carnegie Mellon University(卡内基梅隆大学)

AI总结 FAST结合注意机制和状态空间模型,提出了一种可扩展的时空交通预测框架,通过时空-时空架构和Mamba基的空模块,有效捕捉短期和长期时间模式及长距离传感器依赖,实验表明其在精度、可扩展性和泛化性上均优于现有方法。

Comments Accepted by ICME 2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2604.06168 2026-04-16 cs.CV cs.RO

Action Images: End-to-End Policy Learning via Multiview Video Generation

动作图像:通过多视图视频生成实现端到端策略学习

Haoyu Zhen, Zixian Gao, Qiao Sun, Yilin Zhao, Yuncong Yang, Yilun Du, Pengsheng Guo, Tsun-Hsuan Wang, Yi-Ling Qiao, Chuang Gan

机构 * UMass Amherst(马萨诸塞大学阿默斯特分校) NVIDIA(英伟达) Harvard University(哈佛大学) Genesis AI

AI总结 本文提出Action Images,通过多视图视频生成实现策略学习,利用像素化的动作表示,使视频模型本身成为零样本策略,提升视频-动作联合生成质量。

Comments Project Page: https://actionimages.github.io/

详情

展开后加载摘要…

URL PDF HTML 收藏
2601.13115 2026-04-16 cs.CL cs.IR

Agentic Conversational Search with Contextualized Reasoning via Reinforcement Learning

基于强化学习的上下文化推理对话搜索代理

Fengran Mo, Yifan Gao, Sha Li, Hansi Zeng, Xin Liu, Zhaoxuan Tan, Xian Li, Jianshu Chen, Dakuo Wang, Meng Jiang

机构 * University of Montreal(蒙特利尔大学) University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校) University of Notre Dame(诺特丹大学) Northeastern University(东北大学)

AI总结 本文提出一种基于强化学习的对话搜索代理,通过在对话轮次中交替搜索与推理,实现探索性与适应性行为,优于现有基准方法。

Comments Accepted by ACL 2026 (Findings)

详情

展开后加载摘要…

URL PDF HTML 收藏