University of Pennsylvania（宾夕法尼亚大学）

Seeing is Free, Speaking is Not: Uncovering the True Energy Bottleneck in Edge VLM Inference

眼见无需耗能，言语却要代价：揭示边缘视觉语言模型推理中的真正能量瓶颈

Junfei Zhan, Haoxun Shen, Mingang Guo, Zixuan Huang, Tengjiao He

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Jinan University（暨南大学） 纠错

AI总结 研究边缘VLM推理的能量瓶颈，通过系统能量分析发现平均推理功率恒定，输出令牌耗时多是关键，图像复杂度因输出长度影响能量，揭示视觉令牌修剪局限，控制输出长度能大幅节能。

Comments Accepted to ACM MM 2026. 10 pages, 5 figures

SplatCtrl: Perception-Action Coupling via Gaussian Scene Representations and Reactive Robot Control

SplatCtrl：通过高斯场景表示和反应式机器人控制实现感知-动作耦合

Siddarth Jain, Ho Jin Choi

机构 * Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 针对机器人在非结构化动态环境控制难题，提出SplatCtrl框架。基于3D高斯溅射，引入混合滤波和重定位策略用于场景重建，还提出从高斯推导距离函数的方法，纳入控制障碍函数，实现感知-动作耦合，经实验验证有效。

Comments Published in 2026 International Conference on Robotics and Automation (ICRA). 8 pages, 8 figures

iLENS: Interpretable LLM-Guided Mixture-of-Experts for Neuroimaging Survival Analysis

iLENS：用于神经影像生存分析的可解释大语言模型引导的专家混合模型

Farica Zhuang, Seong Woo Han, Zixuan Wen, Shu Yang, Yize Zhao, Li Shen

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

AI总结 针对阿尔茨海默病前驱期转化预测问题，提出iLENS框架，基于专家混合模型，利用大语言模型合成信息指导专家路由，具备竞争力的预测性能，能为决策提供透明且基于生物学的原理。

Evolutionary Discovery of Developmental Reward Schedules in Deep Reinforcement Learning

深度强化学习中发展性奖励调度的进化发现

Alan Nadelsticher Ruvalcaba

机构 * College of Computing at the Georgia Institute of Technology（佐治亚理工学院计算学院） ； School of Engineering and Applied Science at the University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院） 纠错

AI总结 提出进化框架自动发现深度强化学习中的发展性奖励调度，通过时变权重组合代理、新奇和反应性三种动机，在稀疏奖励任务上优于手工设计基线，并发现新奇动机主导早期训练。

Comments Accepted at the 2026 IEEE International Conference on Development and Learning (ICDL)

From Cross-Validation to SURE: Asymptotic Risk of Tuned Regularized Estimators

从交叉验证到SURE：调节估计器的渐近风险

Karun Adusumilli, Maximilian Kasy, Ashia Wilson

机构 * Department of Economics, University of Pennsylvania（宾夕法尼亚大学经济学系） ； Department of Economics, University of Oxford（牛津大学经济学系） ； Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电气工程与计算机科学系） 纠错

AI总结 本文推导了通过n折交叉验证调节的正则化经验风险最小化估计器的渐近风险函数，展示了其在正常均值模型中的预测性能。

NeuroStrata: Harnessing Neurosymbolic Paradigms for Improved Design, Testability, and Verifiability of Autonomous CPS

NeuroStrata：利用神经符号范式提升自主 CPS 的设计、可测试性和可验证性

Xi Zheng, Ziyang Li, Ivan Ruchkin, Ruzica Piskac, Miroslav Pajic

机构 * Macquarie University（麦考瑞大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Florida（佛罗里达大学） ； Yale University（耶鲁大学） ； Duke University（杜克大学） 纠错

AI总结 NeuroStrata通过神经符号范式提升自主CPS的设计、测试和验证能力，解决不确定性带来的信任和安全认证问题。

Journal ref FSE Companion '25: Companion Proceedings of the 33rd ACM International Conference on the Foundations of Software Engineering, Trondheim, Norway, June 2025