University of Pennsylvania（宾夕法尼亚大学）

A2D2: Fine-Tuning Any-Length Discrete Diffusion for Adaptive Decoding

A2D2: 任意长度离散扩散模型的自适应解码微调

Sophia Tang, Yuchen Zhu, Molei Tao, Pranam Chatterjee

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 Bioengineering, University of Pennsylvania（宾夕法尼亚大学生物工程系） ； School of Mathematics, Georgia Institute of Technology（佐治亚理工学院数学学院） 纠错

AI总结 提出A2D2框架，通过联合优化插入和去掩蔽策略及基于质量的推理调度，实现任意长度离散扩散模型的奖励引导微调，理论上保证收敛到奖励倾斜分布，实验提升奖励优化与生成灵活性和准确性。

NetCause: Counterfactual Learning for Root Cause Analysis in Large-Scale Networks

NetCause：大规模网络中根因分析的反事实学习

Fabien Chraim, Jian Zhang, Dominik Janzing, Xiang Song, Christos Faloutsos, John Evans

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 提出NetCause框架，将网络事件建模为图时间过程，通过反事实模拟排序候选根因，在31个专家标注事件上准确率提升16.1%。

Comments 9 pages, 6 figures

MARS: Margin-Adversarial Risk-controlled Stopping for Parallel LLM Test-time Scaling

MARS: 用于并行LLM测试时扩展的边际对抗风险控制停止策略

Wenbo Chen, Puheng Li, Mengyang Liu, Weijie Su, Tianpei Xie

机构 * Amazon（亚马逊） ； Stanford University（斯坦福大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出MARS停止规则，通过监测中间检查点的聚合投票并利用对抗性边界估计未来投票变化，在保证准确率的同时节省25-47%的自一致性token。

Strategic Decision Support for AI Agents

AI智能体的战略决策支持

Shayan Kiyani, Sima Noorani, George Pappas, Hamed Hassani

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

AI总结 针对AI智能体作为主要决策者时的可靠性问题，提出通过优化问题最小化支持使用并控制反事实遗漏支持误差的战略决策支持框架，并开发在线算法自适应阈值化支持分数。

Radar-Guided Polynomial Fitting for Metric Depth Estimation

雷达引导的多项式拟合用于度量深度估计

Patrick Rim, Hyoungseob Park, Vadim Ezhov, Jeffrey Moon, Alex Wong

机构 * Yale University（耶鲁大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出POLAR方法，利用雷达数据预测多项式系数，对单目深度估计的无尺度深度进行非均匀校正，实现度量深度估计，性能在三个数据集上平均提升24.9% MAE和33.2% RMSE。

Comments CVPR 2026