University of Pennsylvania（宾夕法尼亚大学）

New Benchmarking Shows Limited Generalization Power of TCR Antigenic Epitope Prediction Models

新基准测试显示TCR抗原表位预测模型的泛化能力有限

Yiming Liao, Yiheng Li, Ning Jiang, Bo Li, Keke Chen

机构 * Trustworthy and Intelligent Computing Lab (TAIC), Department of Computer Science and Electrical Engineering, University of Maryland, Baltimore County（可信智能计算实验室（TAIC），计算机科学与电气工程系，马里兰大学巴尔的摩分校） ； Children’s Hospital of Philadelphia（费城儿童医院） ； Department of Bioengineering, University of Pennsylvania（生物工程系，宾夕法尼亚大学） ； Institute for Immunology & Immune Health, University of Pennsylvania（免疫学与免疫健康研究所，宾夕法尼亚大学） ； Institute for RNA Innovation, University of Pennsylvania（RNA创新研究所，宾夕法尼亚大学） ； Abramson Cancer Center, University of Pennsylvania（Abramson癌症中心，宾夕法尼亚大学） ； Center for Precision Engineering for Health, University of Pennsylvania（健康精准工程中心，宾夕法尼亚大学） ； Center for Cellular Immunotherapies, University of Pennsylvania（细胞免疫治疗中心，宾夕法尼亚大学） 纠错

AI总结 本文通过构建两类严格定义的未见基准数据集，评估了T细胞受体(TCR)抗原特异性预测模型的性能，发现现有模型泛化能力有限，并提出了改进框架。

Comments 6 pages, 1 figure. Preprint version

A Cookbook of 3D Vision: Data, Learning Paradigms, and Application

3D视觉食谱：数据、学习范式与应用

Hongyang Du, Zongxia Li, Dawei Liu, Runhao Li, Haoyuan Song, Qingyu Zhang, Yubo Wang, Jingcheng Ni, Shihang Gui, Congchao Dong, Tao Hu

机构 * Brown University（布朗大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； New York University（纽约大学） ； The University of Sydney（悉尼大学） ； Stability AI 纠错

AI总结 本文提出一种以数据为中心的3D视觉分类法，通过分析点云、网格、体素和3D高斯等几何表示及其获取流程，以及数据集设计、基准构建和监督机制，统一了表示、学习范式与下游任务（重建、生成、视频建模）之间的关系。

Comments Accepted to the CVPR 2026 OpenSUN3D Workshop. Official version available at CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026W/OpenSUN3D/html/Du_A_Cookbook_of_3D_Vision_Data_Learning_Paradigms_and_Application_CVPRW_2026_paper.html

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2026

PointAction: 3D Points as Universal Action Representations for Robot Control

PointAction: 3D点作为机器人控制的通用动作表示

Mutian Tong, Han Jiang, Qiao Feng, Lingjie Liu, Jiatao Gu

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

AI总结 提出PointAction框架，通过微调视频生成模型联合预测未来RGB帧和动态3D点图，将点动力学作为与具体本体无关的动作接口，再由扩散动作解码器映射为可执行动作，以减少RGB动作歧义并跨任务/本体迁移。

Comments Project page: https://oriontmt.github.io/pointaction/

LLM Abstention Can Be a Prompt Artifact, in Addition to Genuine Uncertainty

LLM 的拒绝回答可能既是真实不确定性的体现，也是提示的产物

Zipeng Ling, Shuliang Liu, Yuehao Tang, Junqi Yang, Shenghong Fu, Chen Huang, Kejia Huang, Yao Wan, Zhichao Hou, Xuming Hu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Pennsylvania（宾夕法尼亚大学） ； Huazhong University of Science and Technology（华中科技大学） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文发现大语言模型（LLM）的拒绝回答行为不仅源于真实不确定性，还受提示结构影响，称为“拒绝膨胀”，并通过实验证明该现象由额外选项的结构性存在触发，而非真实不确定性。

Escaping the Local Minima via Simulated Annealing: Optimization of Approximately Convex Functions

通过模拟退火逃离局部极小值：近似凸函数的优化

Alexandre Belloni, Tengyuan Liang, Hariharan Narayanan, Alexander Rakhlin

机构 * The Fuqua School of Business, Duke University（德克萨斯大学福克商学院） ； Department of Statistics, The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院统计系） ； Department of Statistics and Department of Mathematics, University of Washington（华盛顿大学统计系和数学系） 纠错

AI总结 本文研究了如何通过模拟退化方法优化近似凸函数，提出了一种基于Hit-and-Run方法的采样算法，能够有效避免局部极小值问题，并在零阶随机凸优化中实现了高效的ε-极小值求解。

Comments 27 pages

Journal ref Proceedings of the 28th Conference on Learning Theory 40 (2015) 240-265

Decentralized Goal Assignment and Safe Trajectory Generation in Multi-Robot Networks via Multiple Lyapunov Functions

多机器人网络中基于多重李雅普诺夫函数的去中心化目标分配与安全轨迹生成

Dimitra Panagou, Matthew Turpin, Vijay Kumar

机构 * GRASP Lab, 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GRASP实验室） 纠错

AI总结 本文研究了在仅本地通信可用的情况下多机器人网络的去中心化目标分配与轨迹生成问题，提出了一种基于切换系统和集合不变性方法的解决方案。通过使用一组李雅普诺夫-like函数编码候选目标分配的局部决策，使连接的代理选择最短总距离到目标的分配。当最优分配可能导致碰撞轨迹时，使用另一组李雅普诺夫-like屏障函数来维持系统安全并保持收敛保证。所提出的切换策略产生计算高效且可扩展的反馈控制策略，适用于在有限信息共享下机器人网络的快速响应部署。

Finite Sample Analysis of Stochastic System Identification

随机系统辨识的有限样本分析

Anastasios Tsiamis, George J. Pappas

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 本文基于机器学习和统计学的现代工具，研究了随机系统辨识的有限样本复杂性。通过子空间辨识算法和有限数量的输出样本，提供了系统参数估计误差的非渐近高概率上界，证明了在高概率下估计误差以1/√N的速度减小。

Comments Under review

Understanding the Acceleration Phenomenon via High-Resolution Differential Equations

通过高分辨率微分方程理解加速现象

Bin Shi, Simon S. Du, Michael I. Jordan, Weijie J. Su

机构 * Florida International University（佛罗里达国际大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文通过高分辨率微分方程研究优化算法的加速现象，提出了一种新的极限过程，能够区分Nesterov加速梯度法和Polyak重力球方法，并揭示了NAG-C在非强凸函数下的收敛特性。

Comments 82 pages, 11 figures

Self-Driving Vehicle Verification Towards a Benchmark

自动驾驶车辆验证：一个基准

Nima Roohi, Ramneet Kaur, James Weimer, Oleg Sokolsky, Insup Lee

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

AI总结 本文提出一个简单的形式化模型用于自动驾驶车辆，尽管经过简化后其安全性已手动证明，但目前尚无自动形式化验证工具支持其动态特性，旨在为形式化验证工具提供挑战。

Comments 7 pages

Nonparametric Stochastic Compositional Gradient Descent for Q-Learning in Continuous Markov Decision Problems

非参数随机组合梯度下降法在连续马尔可夫决策问题中的Q学习

Alec Koppel, Ekaterina Tolstaya, Ethan Stump, Alejandro Ribeiro

机构 * University of Pennsylvania（宾夕法尼亚大学） ； U.S. Army Research Laboratory（美国陆军研究实验室） 纠错

AI总结 本文提出非参数随机组合梯度下降法用于连续马尔可夫决策问题中的Q学习，通过将贝尔曼最优性方程转化为嵌套非凸随机优化问题，并利用核诱导再生核希尔伯特空间进行参数化，最终证明算法在概率意义下收敛于问题的 stationary 点。

Resilient Linear Classification: An Approach to Deal with Attacks on Training Data

鲁棒线性分类：一种应对训练数据攻击的方法

Sangdon Park, James Weimer, Insup Lee

机构 * Department of Computer \& Information Science University of Pennsylvania ； University of Pennsylvania 纠错

AI总结 本文提出一种鲁棒线性分类方法，通过引入多数约束，提高对抗训练数据攻击的鲁棒性，验证了传统算法在攻击下的脆弱性。

Comments Accepted as a conference paper at ICCPS17

Learning without Recall: A Case for Log-Linear Learning

无需回忆的学习：对日志线性学习的案例

Mohammad Amin Rahimian, Ali Jadbabaie

机构 * Department of Electrical and Systems Engineering, University of Pennsylvania, Philadelphia, PA 19104-6228 USA（电气与系统工程系，宾夕法尼亚大学，费城，PA 19104-6228 USA） 纠错

AI总结 本文研究了在无回忆条件下，理性代理人如何通过合理推断进行学习和信念形成，探讨了时间变化先验对学习和学习速率的影响。

Comments in 5th IFAC Workshop on Distributed Estimation and Control in Networked Systems, (NecSys 2015)