University of Pennsylvania（宾夕法尼亚大学）

Real Time Local Wind Inference for Robust Autonomous Navigation

实时局部风场推断用于稳健自主导航

Spencer Folk

机构 * University of Pennsylvania（宾夕法尼亚大学） ； NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心） 纠错

AI总结 本文通过融合距离测量与稀疏实地风测数据，实现实时风场推断，解决密集城市环境中地形数据的充分性及学习风模型在运动规划中的应用，提升自主导航的能耗效率与避障能力。

Comments PhD Thesis, University of Pennsylvania, 2026. 152 pages

Optimistic Actor-Critic with Parametric Policies for Linear Markov Decision Processes

乐观Actor-Critic方法用于线性马尔可夫决策过程的参数策略

Max Qiushi Lin, Reza Asad, Kevin Tan, Haque Ishfaq, Csaba Szepesvari, Sharan Vaswani

机构 * Simon Fraser University（西蒙菲莎大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Mila, McGill University（Mila，麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； University of Alberta（阿尔伯塔大学） 纠错

AI总结 本文提出一种乐观Actor-Critic框架，采用参数化logit匹配回归目标和近似汤普森采样，实现线性MDP中高效的样本复杂度。

Comments 61 pages, 9 figures

Closing the Confidence-Faithfulness Gap in Large Language Models

弥合大语言模型中的置信度-忠实度差距

Miranda Muqing Miao, Lyle Ungar

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文通过线性探针和对比激活添加分析，揭示大语言模型中置信度信号与校准的线性关系，提出双阶段适应性引导流程以提升校准对齐。

When and Where: A Model Hippocampal Network Unifies Formation of Time Cells and Place Cells

何时与何地：一种海马网络模型统一了时间细胞和位置细胞的形成

Qiaorong S. Yu, Zhaoze Wang, Vijay Balasubramanian

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

AI总结 本文提出一种海马网络模型，通过动态机制统一了时间细胞和位置细胞的形成，揭示了两者共享的起源与任务驱动的差异。

Comments 18 pages, 6 figures

Think Twice Before You Write -- an Entropy-based Decoding Strategy to Enhance LLM Reasoning

再三思考后再写作——一种基于熵的解码策略以增强大语言模型推理

Jiashu He, Meizhu Liu, Olaitan P Olaleye, Amit Agarwal, M. Avendi, Yassi Abbasi, Matthew Rowe, Hitesh Laxmichand Patel, Paul Li, Tao Sheng, Sujith Ravi, Dan Roth

机构 * Oracle AI Science（甲骨文人工智能科学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出一种基于熵的解码策略，通过在生成过程中引入令牌级适应性，提高大语言模型的推理能力，实验表明在GSM8K等数据集上表现优异。

Science-T2I: Addressing Scientific Illusions in Image Synthesis

Science-T2I: 解决图像合成中的科学幻觉

Jialuo Li, Wenhao Chai, Xingyu Fu, Haiyang Xu, Saining Xie

机构 * New York University（纽约大学） ； University of Washington（华盛顿大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） 纠错

AI总结 本文提出ScienceT2I数据集，评估18种图像生成模型，发现科学提示能显著提升生成效果，提出SciScore奖励模型和两阶段对齐框架提升科学推理能力。

Comments Accepted to CVPR 2025. Code, docs, weight, benchmark and training data are all avaliable at https://jialuo-li.github.io/Science-T2I-Web