University of Pennsylvania（宾夕法尼亚大学）

LMPath: Language-Mediated Priors and Path Generation for Aerial Exploration

LMPath：基于语言引导的先验与路径生成用于航空探索

Jonathan A. Diller, Fernando Cladera, Camillo J. Taylor, Vijay Kumar

机构 * GRASP Laboratory（GRASP实验室） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出LMPath，通过结合语言模型和视觉模型，生成基于语义的航空探索路径，提升大规模环境中的搜索效率。

Comments Poster at 2026 AI-Driven Safe Aerial Robotics Workshop

AdaptNC: Adaptive Nonconformity Scores for Conformal Prediction under Distribution Shift

AdaptNC: 适应性非符合分数用于分布偏移下的符合预测

Renukanandan Tumu, Aditya Singh, Rahul Mangharam

机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） 纠错

AI总结 本文提出AdaptNC框架，通过联合在线调整非符合分数参数和符合阈值，解决分布偏移下的预测区域保守问题，实验表明其在保持覆盖率的同时显著减少预测区域体积。

Steer-to-Detect: Probing Hidden Representations for Detection of LLM-Generated Texts

Steer-to-Detect：探测隐藏表示以检测LLM生成文本

Luxu Liang, Xiang Li

机构 * Tsinghua University（清华大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出Steer-to-Detect框架，通过改进的隐藏表示分离能力，有效检测LLM生成文本，理论和实验均表现出色。

Uncovering Symmetry Transfer in Large Language Models via Layer-Peeled Optimization

通过分层剥离优化揭示大语言模型中的对称性传递

Zhehang Du, Hangfeng He, Weijie Su

机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； University of Rochester（罗切斯特大学） 纠错

AI总结 本文研究了大语言模型通过分层剥离优化是否能诱导几何结构，证明了目标分布对称性在模型最优解中精确传递，并展示了开源LLM在无显式正则化下自然呈现理论预测的对称性。

Radial Compensation: Fixing Radius Distortion in Chart-Based Generative Models on Riemannian Manifolds

径向补偿：修正流形上基于图表的生成模型中的半径扭曲

Marios Papamichalis, Regina Ruane

机构 * Human Nature Lab, Yale University（耶鲁大学人类自然实验室） ； Department of Statistics and Data Science, The Wharton School, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系、沃顿商学院） 纠错

AI总结 本文研究了流形上基于图表的生成模型的基础分布，提出径向补偿方法以保持几何半径的稳定性，提升数值稳定性和曲率解释性。