Stateful Online Monitoring Catches Distributed Agent Attacks
有状态在线监控捕获分布式智能体攻击
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 针对分布式智能体攻击中跨账户聚合的恶意行为难以被单上下文监控检测的问题，提出一种基于实时聚类的有状态在线监控方法，能够更早、更有效地捕获分布式攻击，同时保持低延迟。
高校专区
University of Pennsylvania（宾夕法尼亚大学）
Skill Reuse as Compression in Agentic RL
智能体强化学习中的技能重用作为压缩
机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学）
AI总结 提出ReuseRL方法，基于最小描述长度原则将成功轨迹压缩为可重用技能字典，并通过分割代价惩罚低效编码行为，在多个环境中提升分布内和分布外成功率。
Comments Work in progress
mRNAutilus: Multi-Objective-Guided Discrete Generation of mRNA with Optimized Therapeutic Properties
mRNAutilus：多目标引导的mRNA离散生成与优化治疗特性
机构 * Atom Bioworks Inc.（Atom Bioworks公司） ； 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 Bioengineering University of Pennsylvania（宾夕法尼亚大学生物工程系） ； Center of Computational Biology Duke-NUS Medical School（杜克-新加坡国立大学医学学院计算生物学中心） ； GenScript USA Inc.（GenScript美国公司）
AI总结 提出mRNAutilus框架，结合掩码离散扩散模型和蒙特卡洛树引导，实现同时优化密码子和从头设计UTR，生成多目标帕累托最优的完整mRNA序列，在多个靶标上显著提升表达和稳定性。
Unlearning in Diffusion Models: A Unified Framework with KL Divergence and Likelihood Constraints
扩散模型中的遗忘学习：基于KL散度和似然约束的统一框架
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Tennessee, Knoxville（田纳西大学，基洛纳）
AI总结 提出一个约束优化框架，通过最小化与预训练模型的偏差并施加与遗忘分布的分离约束，实现扩散模型中的概念和数据遗忘，并基于KL散度和似然约束推导最优解及原始-对偶算法。
Comments 27 pages, 6 figures, 4 tables; Accepted by ICML 2026
Geometry-Aware Control Barrier Functions for Collision Avoidance via Bernstein Polynomial Approximations
基于Bernstein多项式近似的几何感知控制障碍函数用于碰撞避免
机构 * GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； Department of Computer Science, University of Illinois Chicago（伊利诺伊大学芝加哥分校计算机科学系） ； Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系）
AI总结 提出一种基于Bernstein多项式符号距离场的几何感知控制障碍函数，统一表示障碍物与机器人，利用多项式可微性实现闭环控制约束，保证单机器人和异构多机器人碰撞避免的安全性与效率。
Comments 8 pages; Accepted by 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)
Reward Bias Substitution: Single-Axis Bias Mitigations Redirect Optimization Pressure
奖励偏差替代：单轴偏差缓解措施重定向优化压力
机构 * Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出奖励偏差替代现象，即单轴缓解奖励模型偏差（如减少对长度、谄媚或风格的依赖）会将优化压力转移到相关代理上而非消除，并通过理论证明和实验（如GRPO训练中的长度惩罚导致过度自信）揭示了该问题，建议在评估中纳入策略诱导分布并跟踪多偏差。
Comments Improved readability (mostly appendix D)
Neurosim: A Fast Simulator for Neuromorphic Robot Perception
Neurosim: 一种用于神经形态机器人感知的快速模拟器
机构 * GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
AI总结 提出Neurosim和Cortex库，通过高速传感器模拟和低延迟通信，支持神经形态感知与控制算法的训练和闭环测试。
Comments 11 pages, 6 figures
A Behavioural and Representational Evaluation of Goal-Directedness in Language Model Agents
语言模型智能体中目标导向性的行为与表征评估
机构 * University of Pennsylvania（宾夕法尼亚大学） ； New York University（纽约大学） ； Indiana University, Bloomington（印第安纳大学，布卢明顿） ； Northeastern University（东北大学） ； University College London（伦敦大学学院）
AI总结 本文提出一种结合行为评估与内部表征可解释性分析的目标导向性评估框架，并以LLM智能体在2D网格世界中的导航为例，验证了其行为与表征的一致性。
Comments Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)
The SuperActivator Mechanism: Transformers Concentrate Reliable Concept Signals in the Tail
超级激活机制：Transformer将可靠概念信号集中在尾部
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文发现Transformer中的超级激活机制，通过放大概念激活差距，将最可靠的概念证据集中在少数高激活token上，并基于此提出检测方法，在图像和文本模态中F1提升高达0.14。
