University of Pennsylvania（宾夕法尼亚大学）

PopPy: Opportunistically Exploiting Parallelism in Python Compound AI Applications

PopPy: 在Python复合AI应用中机会性地利用并行性

Stephen Mell, David Mell, Konstantinos Kallas, Steve Zdancewic, Osbert Bastani

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Independent Researcher（独立研究者） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出PopPy系统，通过识别Python应用中调用外部组件的并行化机会，从而在复合AI应用的端到端延迟上实现6.4倍的加速，同时保持顺序程序语义。

REBAR: Reference Ethical Benchmark for Autonomy Readiness

REBAR：自主性准备的参考伦理基准

Jonathan Diller, David Barnes, Rebekah Bogdanoff, Rhett Collier, Roddy Collins, Keith Fieldhouse, Yonatan Gefen, Cameron Johnson, Anuriha Kodali, Brad Kriel, Varun Murali, James Niehaus, Mish Sukharev, Joseph VanPelt, Anthony Hoogs, Vijay Kumar, Arslan Basharat

机构 * University of Pennsylvania（宾夕法尼亚大学） ； David Barnes, LLC（大卫·巴恩斯公司） ； Kitware, Inc.（Kitware公司） ； Duality Robotics, Inc.（Duality机器人公司） ； Texas A&M University（德克萨斯大学） ； Charles River Analytics（查尔斯河分析公司） 纠错

AI总结 本文提出REBAR框架，通过严谨测试提供可计算的自主性准备等级，以量化伦理性能并解决现有伦理AI框架的不足。

Comments To be presented at the 2026 Workshop on Robot Ethics - Ethical, Legal and User Perspectives in Robotics and Automation (WOROBET)

Lean Meets Theoretical Computer Science: Scalable Synthesis of Theorem Proving Challenges in Formal-Informal Pairs

Lean 与理论计算机科学的交汇：形式-非形式对中可扩展的定理证明挑战合成

Terry Jingchen Zhang, Wenyuan Jiang, Rongchuan Liu, Yisong Wang, Junran Yang, Ning Wang, Nicole Ni, Yinya Huang, Mrinmaya Sachan

机构 * D-CHAB, ETH Zurich, Zurich, Switzerland. ； D-INFK, ETH Zurich, Zurich, Switzerland. ； ETH AI Center, Zurich, Switzerland. ； University of Pennsylvania, PA, USA. ； Independent Researcher. 纠错

AI总结 本文提出利用理论计算机科学作为可扩展的严谨证明问题来源，通过算法定义自动生成大量挑战性定理-证明对，展示了在Busy Beaver问题和混合布尔算术问题上的应用，并揭示了自动定理证明在复杂问题上的局限性。

Comments Accepted to AI4MATH@ICML2025

Gated KalmaNet: A Fading Memory Layer Through Test-Time Ridge Regression

门控KalmaNet：通过测试时岭回归实现渐逝记忆层

Liangzu Peng, Aditya Chattopadhyay, Luca Zancato, Elvis Nunez, Wei Xia, Stefano Soatto

机构 * University of Pennsylvania（宾夕法尼亚大学） ； AWS Agentic AI（AWS 代理人工智能） 纠错

AI总结 本文提出门控KalmaNet（GKA），通过测试时岭回归实现渐逝记忆层，解决了线性状态空间模型（SSMs）在记忆过去信息时的效率与精度问题，展示了GKA在短上下文任务和长上下文任务中的优越性能。

Comments 30 pages, 10 figures. Accepted at CVPR 2026

T-FIX: Text-Based Explanations with Features Interpretable to eXperts

T-FIX：基于文本的可解释性方法，具备可解释的专家特征

Shreya Havaldar, Weiqiu You, Chaehyeon Kim, Anton Xue, Helen Jin, Marco Gatti, Bhuvnesh Jain, Helen Qu, Amin Madani, Daniel A. Hashimoto, Gary E. Weissman, Rajat Deo, Sameed Khatana, Lyle Ungar, Eric Wong

机构 * Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Department of Physics and Astronomy, University of Pennsylvania（宾夕法尼亚大学物理与天文学系） ； Flatiron Institute（Flatiron研究所） ； Department of Surgery, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院外科系） ； Division of Pulmonary, Allergy, and Critical Care, Perelman School of Medicine, University of Pennsylvania（宾夕菲亚大学佩雷尔曼医学院呼吸、过敏与危重医学科） ； Division of Cardiovascular Medicine, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院心血管医学科） ； Department of Surgery, University of Toronto（多伦多大学外科系） ； University Health Network（大学健康网络） 纠错

AI总结 本文提出T-FIX框架，用于评估LLM生成的解释是否符合专家的推理方式，通过七个科学任务和三个领域进行验证，实现了自动且可定制的专家对齐评估。

Contrastive Conceptor Activation Steering (COAST): Unlocking Vision-Language-Action Models through Hidden States

对比性概念激活引导（COAST）：通过隐藏状态解锁视觉-语言-动作模型

Miranda Muqing Miao, Subin Kim, Brandon Yang, Lyle Ungar

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

AI总结 本文提出COAST方法，通过识别成功子空间来提升视觉-语言-动作模型在机器人任务中的性能，其核心方法是利用概念投射来引导模型向成功分布发展，从而提高任务成功率。

Comments Submitted to NeurIPS 2026

Patients Speak, AI Listens: LLM-based Analysis of Online Reviews Uncovers Key Drivers for Urgent Care Satisfaction

患者发声，AI倾听：基于大语言模型的在线评论分析揭示了紧急护理满意度的关键驱动因素

Xiaoran Xu, Zhaoqian Xue, Chi Zhang, Jhonatan Medri, Junjie Xiong, Jiayan Zhou, Jin Jin, Yongfeng Zhang, Siyuan Ma, Lingyao Li

机构 * Electrical Engineering department, University of South Florida（佛罗里达州立大学电气工程系） ； Department of Biostatistics, Epidemiology and Bioinformatics, University of Pennsylvania（宾夕法尼亚大学生物统计学、流行病学与生物信息学系） ； Computer Science and Engineering department, University of South Florida（佛罗里达州立大学计算机科学与工程系） ； Mathematics & Statistics, University of South Florida（佛罗里达州立大学数学与统计学系） ； Department of Computer Science and Engineering, University of Missouri Science and Technology（密苏里科技大学计算机科学与工程系） ； School of Medicine, Stanford University（斯坦福大学医学院） ； Department of Computer Science, Rutgers University（罗格斯大学计算机科学系） ； Department of Biostatistics, Vanderbilt University（范德比尔特大学生物统计学系） 纠错

AI总结 本文利用大语言模型分析在线评论，揭示紧急护理满意度的关键因素，发现人际因素和运营效率是主要决定因素，其他因素在调整后无显著影响。

A Practical Theory of Generalization in Selectivity Learning

选择性学习中泛化理论的实用性研究

Peizhi Wu, Haoshu Xu, Ryan Marcus, Zachary G. Ives

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

AI总结 本文从理论与实践角度探讨选择性学习的泛化能力，提出基于有符号测度的可学习预测方法，并改进OOF泛化性能。

Comments 15 pages. Technical Report (Extended Version)

Support-Safe Variational Hybrid Filtering for Contact-Mode and Sparse-Law Recovery

支持安全的变分混合滤波器用于接触模式和稀疏定律恢复

Marios Papamichalis, Regina Ruane

机构 * Human Nature Lab, Yale University（耶鲁大学人类本质实验室） ； 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 本文提出VHYDRO变分混合动力学习器，通过混合学习的提案与可行转换律，防止分支丢失，实现连续状态和离散接触模式的联合推断，并在稀疏端-哈密顿定律恢复中提供三种保障。

CheckSupport: A Local LLM-Powered Tool for Automated Manuscript Submission Checklist Selection and Completion

CheckSupport：一种基于本地LLM的自动化手稿提交检查清单选择与完成工具

Satvik Tripathi, Don Enwerem, Kevin Song, Kristian Quevada, Jacinta Arnold, Tessa S. Cook

机构 * Department of Radiology, Perelman School of Medicine at University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学学院放射科） ； Department of Computer Science, Drexel University（德雷塞尔大学计算机科学系） ； Department of Computer and Information Science, School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院计算机与信息科学系） ； Department of Radiology, Cooper University Hospital（科珀大学医院放射科） ； University of California Davis Graduate School of Management（加州大学戴维斯分校管理研究生院） 纠错

AI总结 本文提出CheckSupport，利用本地LLM自动化选择和完成检查清单，提升科研报告的透明度和可重复性。系统通过分阶段提示策略实现高准确率，运行在CPU上，每篇手稿耗时12.5秒，准确率达90%。