LENS: LLM-guided Environment Simplification for Planning and Control in Clutter
LENS：用于杂乱环境中规划与控制的大语言模型引导的环境简化
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 针对现实世界多物体杂乱环境处理难题，提出LENS方法，通过大语言模型引导自动生成特定场景和任务的自适应更新抽象，经实验验证其能改进多种模型在高度杂乱操纵场景中的表现。
高校专区
University of Pennsylvania（宾夕法尼亚大学）
Machine Can Automatically Discover Parametric Functions to Model HEP Data
机器可自动发现参数函数以对高能物理数据建模
机构 * University of Pennsylvania, USA（宾夕法尼亚大学） ； European Organization for Nuclear Research (CERN), Switzerland（欧洲核子研究中心） ； University of Cambridge, UK（剑桥大学） ； University of Wisconsin-Madison, USA（威斯康星大学麦迪逊分校） ； University of California San Diego, USA（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology, USA（麻省理工学院） ； Institute for Artificial Intelligence（人工智能研究所）
AI总结 研究高能物理数据分析中为分箱数据找合适函数建模的问题，核心方法是用符号回归实现自动化，主要贡献是展示SymbolFit软件包，在双喷注谱演示中取得良好效果，如生成众多拟合函数，部分运行重新发现已用函数。
Comments 6 pages. to be presented at ICHEP 2026
SubQuad: Near-Quadratic-Free Structure Inference with Distribution-Balanced Objectives in Adaptive Receptor framework
SubQuad：在自适应受体框架中利用分布平衡目标的近二次自由结构推断
机构 * University of Macau（澳门大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southampton（南安普顿大学） ； Juntendo University（顺天堂大学） ； University of Bologna（博洛尼亚大学）
AI总结 SubQuad通过结合抗原感知的近子二次检索、GPU加速的亲和力核、学习多模态融合和公平性约束聚类，解决大规模群体适应性免疫谱分析中的二次成本和数据不平衡问题，提升效率与公平性。
Comments 27 pages, 9 figures. In the previous version, Juntendo University was erroneously listed as the affiliation; we must clarify that this paper has absolutely no relation to Juntendo University. Therefore, we have replaced this affiliation in the new version
A Confidence Interval for the $\ell_2$ Expected Calibration Error
$\ell_2$期望校准误差的置信区间
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 研究针对$\ell_2$期望校准误差开发置信区间，考虑top-1到-k校准，证明ECE去偏估计量的渐近正态性，构建渐近有效置信区间，实验表明该方法产生的置信区间比基于重采样的方法更短。
