University of Pennsylvania（宾夕法尼亚大学）

Learning in an Echo Chamber: Online Learning with Replay Adversary

在回放室中学习：带有回放对抗的在线学习

Daniil Dmitriev, Harald Eskelund Franck, Carolin Heinzler, Amartya Sanyal

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Copenhagen（哥本哈根大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 本文提出回放设置下的在线学习框架，引入扩展阈值维度ExThD(H)作为学习能力的度量，证明了在对抗环境下学习的界限，并展示了正规学习与非正规学习的分离特性。

Journal ref Proceedings of the 2026 Annual ACM-SIAM Symposium on Discrete Algorithms (SODA)

FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Matching

FireANTs: 多尺度自适应黎曼优化用于密集 diffeomorphic 匹配

Rohit Jena, Pratik Chaudhari, James C. Gee

机构 * Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Penn Image Computing and Science Laboratory, University of Pennsylvania（宾夕法尼亚大学宾夕法尼亚图像计算与科学实验室） ； Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电子与系统工程系） ； Radiology, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学放射学系） 纠错

AI总结 FireANTs 提出了一种无需训练的 GPU 加速多尺度自适应黎曼优化算法，实现快速且准确的密集 diffeomorphic 图像匹配，同时在内存消耗和运行速度上优于深度学习方法。

Comments Accepted at Nature Communications

Agile Flight Emerges from Multi-Agent Competitive Racing

敏捷飞行源于多智能体竞速

Vineet Pasumarti, Lorenzo Bianchi, Antonio Loquercio

机构 * University of Rome Tor Vergata（罗马大学Tor Vergata） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本研究通过多智能体竞争训练，发现稀疏奖励足以让智能体实现现实中的敏捷飞行和策略控制。

Flattery, Fluff, and Fog: Diagnosing and Mitigating Idiosyncratic Biases in Preference Models

奉承、浮夸与雾：诊断和缓解偏好模型中的固有偏见

Anirudh Bharadwaj, Chaitanya Malaviya, Nitish Joshi, Mark Yatskar

机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学） 纠错

AI总结 本研究通过反事实数据增强方法缓解偏好模型中的固有偏见，减少校准错误和偏斜差异，提升模型可靠性。

Comments Published at ICLR 2026; Code and data available at https://github.com/anirudhb123/preference-model-biases

Safety Guardrails for LLM-Enabled Robots

LLM赋能机器人中的安全护栏

Zachary Ravichandran, Alexander Robey, Vijay Kumar, George J. Pappas, Hamed Hassani

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 RoboGuard通过两阶段护栏架构，利用根信任LLM和链式推理生成上下文安全规范，有效降低LLM赋能机器人在对抗攻击下的不安全计划执行率，提升系统安全性与可靠性。