University of Pennsylvania（宾夕法尼亚大学）

A Theoretical Comparison of No-U-Turn Sampler Variants: Necessary and Sufficient Convergence Conditions and Mixing Time Analysis under Gaussian Targets

无U-turn采样变体的理论比较：在高斯目标下的必要和充分收敛条件及混合时间分析

Samuel Gruffaz, Kyurae Kim, Fares Guehtar, Hadrien Duval-decaix, Pacôme Trautmann

机构 * Université Paris-Saclay, ENS Paris-Saclay, Centre Borelli（巴黎-萨克雷大学，巴黎-萨克雷高等师范学院，Borelli中心） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文比较了NUTS-mul和NUTS-BPS两种变体，推导了几何平稳性条件，分析了混合时间，发现两者在定性行为上相似，但收敛速率存在差异。

Replicable Reinforcement Learning with Linear Function Approximation

可重复的强化学习与线性函数逼近

Eric Eaton, Marcel Hussing, Michael Kearns, Aaron Roth, Sikata Bela Sengupta, Jessica Sorrell

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 本文提出可重复的强化学习算法，针对线性函数逼近问题，设计了高效的随机设计回归和协方差估计算法，并在生成模型和片段设置中实现了可证明高效的可重复RL算法，通过实验验证了其对神经策略的一致性影响。

Comments ICLR 2026

UCS: Estimating Unseen Coverage for Improved In-Context Learning

UCS：用于改进上下文学习的未见覆盖估计

Jiayi Xin, Xiang Li, Evan Qiang, Weiqing He, Tianqi Shang, Weijie J. Su, Qi Long

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

AI总结 UCS通过基于覆盖的免训练方法改进上下文学习，通过诱导离散潜在聚类和估计候选子集中的未揭示聚类数量，提升模型性能。

Comments ACL 2026 Findings; 17 pages, 3 figures

A Workflow to Efficiently Generate Dense Tissue Ground Truth Masks for Digital Breast Tomosynthesis

一种高效生成数字乳腺断层摄影密集组织地面真实掩码的工作流程

Tamerlan Mustafaev, Oleg Kruglov, Margarita Zuley, Luana de Mero Omena, Guilherme Muniz de Oliveira, Vitor de Sousa Franca, Bruno Barufaldi, Robert Nishikawa, Juhun Lee

机构 * Department of Radiology, University of Pittsburgh（匹兹堡大学放射科） ； Center of Informatics, Federal University of Paraíba（巴西北部联邦大学信息中心） ； Department of Radiology, University of Pennsylvania（宾夕法尼亚大学放射科） ； Department of Industrial Engineering, University of Pittsburgh（匹兹堡大学工业工程系） 纠错

AI总结 本文提出一种节省时间和劳动力的方法，通过标注中央切片生成密集组织分割掩码，提升乳腺断层摄影图像中纤维腺体组织分割的准确性与效率。

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。