Estimating Implicit Regularization in Deep Learning
深度学习中隐式正则化的估计
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出通过梯度匹配方法估计深度学习中的隐式正则化，验证了其在处理复杂网络时的有效性，并展示了在Dropout等方法中的应用。
高校专区
University of Pennsylvania（宾夕法尼亚大学）
Linking spatial biology and clinical histology via Haiku
通过俳句连接空间生物学与临床组织学
机构 * Department of Pathology and Laboratory Medicine, University of Pennsylvania（宾夕法尼亚大学病理学与实验室医学系） ； Department of Bioengineering, University of Pennsylvania（宾夕法尼亚大学生物工程系） ； Department of Biostatistics, Epidemiology & Informatics, University of Pennsylvania（宾夕法尼亚大学生物统计学、流行病学与信息学系） ； Enable Medicine, Menlo Park, CA, USA（Enable Medicine）
AI总结 本文提出Haiku模型，整合分子、形态和临床数据，通过三模态对比学习实现跨模态检索，提升分类和预测任务性能，并支持零样本生物标志物推断。
Token Arena: A Continuous Benchmark Unifying Energy and Cognition in AI Inference
Token Arena：一个统一能量与认知的连续基准测试
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； OpenMesh AI
AI总结 Token Arena通过端到端的五个核心维度评估AI推理性能，结合能耗和价格指标，揭示不同端点对模型准确性和效率的影响，提供更真实的推理评估标准。
Comments 14 pages, 1 figure, 8 tables
InterChart: Benchmarking Visual Reasoning Across Decomposed and Distributed Chart Information
InterChart：跨分解与分布式图表信息的基准测试
机构 * Arizona State University（亚利桑那州立大学） ； IIIT, Hyderabad（海得拉巴印度理工学院） ； Mercer Mettl University（梅森-梅特尔大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 InterChart通过评估视觉语言模型在多图表间推理的能力，揭示了模型在复杂图表集成中的局限性，推动多模态推理的发展。
Comments 22 pages, 8 figures, 14 tables. Accepted at IJCNLP-AACL 2025
Journal ref Proceedings of the 14th International Joint Conference on Natural Language Processing and the 4th Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics 2025, 2046-2067
Statistical Impossibility and Possibility of Aligning LLMs with Human Preferences: From Condorcet Paradox to Nash Equilibrium
大语言模型与人类偏好的统计不可能性与可能性：从康德斯悖论到纳什均衡
机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Princeton University（普林斯顿大学）
AI总结 本文探讨了对齐大语言模型与人类偏好的统计限制，证明在一般概率偏好模型下，康德斯循环几乎必然存在，从而表明基于奖励的方法无法完全对齐偏好。同时，研究了非奖励方法下LLM采用混合策略的条件，证明在Luce模型下，少数群体偏好得以保留的统计可能性。
Comments Accepted for publication in the Annals of Statistics
METASYMBO: Multi-Agent Language-Guided Metamaterial Discovery via Symbolic Latent Evolution
METASYMBO: 多智能体语言引导的超材料发现 via 符号驱动的潜在进化
机构 * Virginia Tech（弗吉尼亚理工大学） ； Meta AI ； University of California Los Angeles（加州大学洛杉矶分校） ； Princeton University（普林斯顿大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出MetaSymbO框架，通过符号驱动的潜在进化实现语言引导的超材料发现，提升结构有效性和语言指导得分，验证其在实际应用中的有效性。
STAR-Filter: Efficient Convex Free-Space Approximation via Starshaped Set Filtering in Noisy Environments
STAR-Filter：通过星形集过滤实现噪声环境中的高效凸自由空间近似
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出STAR-Filter框架，利用星形集构造快速过滤凸区域生成，减少冗余计算并提升鲁棒性，实验证明其在噪声和大规模数据下的高效性。
A Scoping Review of LLM-as-a-Judge in Healthcare and the MedJUDGE Framework
对LLM-as-a-Judge在医疗领域的综述及MedJUDGE框架
机构 * Department of Biomedical Informatics, School of Medicine, University of Pittsburgh（匹兹堡大学医学院生物医学信息学系） ； Department of Health Information Management, School of Health and Rehabilitation Sciences, University of Pittsburgh（匹兹堡大学健康与康复科学学院健康信息管理系） ； OpenCura, Health Innovation Consortium（OpenCura健康创新联盟） ； Northwestern University, Kellogg School of Management（西北大学凯洛格管理学院） ； Intelligent Systems Program, School of Computing and Information, University of Pittsburgh（匹兹堡大学计算与信息学院智能系统项目） ； Johns Hopkins University School of Medicine Biomedical Informatics and Data Science（约翰霍普金斯大学医学院生物医学信息学与数据科学） ； Clinical and Translational Science Institute, University of Pittsburgh（匹兹堡大学临床与转化科学研究所） ； Institute for Biomedical Informatics, University of Pennsylvania（宾夕法尼亚大学生物医学信息学研究所） ； Data Science, School of Computing and Information, University of Pittsburgh（匹兹堡大学计算与信息学院数据科学）
AI总结 本文综述了LLM-as-a-Judge在医疗领域的应用现状，指出其在验证严谨性、偏见评估和治理方面存在不足，并提出MedJUDGE框架以提升医疗领域LLM-as-a-Judge系统的有效性与安全性。
A Hybridizable Neural Time Integrator for Stable Autoregressive Forecasting
一种用于稳定自回归预测的混合神经时间积分器
机构 * Mechanical Engineering and Applied Mechanics, University of Pennsylvania（宾夕法尼亚大学机械工程与应用力学系） ； Department of Mathematics, Tufts University（塔夫茨大学数学系） ； Department of Mathematics and Cybernetics, SINTEF Digital（SINTEF数字技术部门数学与控制系） ； Department of Mathematical Sciences, Norwegian University of Science and Technology（挪威科技大学数学科学系） ； Department of Physics, University of Oslo（奥斯陆大学物理系） ； Sandia National Laboratories（桑地亚国家实验室）
AI总结 本文提出一种混合技术，将自回归变压器嵌入新型射击基混合有限元方案中，通过暴露拓扑结构实现可证明的稳定性，结合视觉Transformer实现结构保持动力学，以65倍减少的参数优于现代基础模型，实现混沌系统的长时预测。
Comments 29 pages, 6 figures
Interpretable Fuzzy Modeling Reveals Population-Level Representation Differences in P300 Brain Computer Interfaces Across Neurodivergent and Neurotypical Cohorts
可解释的模糊建模揭示了P300脑机接口在自闭症、肌萎缩侧索硬化和典型神经群体中的群体层面表征差异
机构 * Department of Management, Griffith Business School（管理学院，格里菲斯商学院） ； Department of Neuroscience, Perelman School of Medicine, University of Pennsylvania（神经科学系，佩尔曼医学学院，宾夕法尼亚大学） ； Marketing Department, Wharton School of Business, University of Pennsylvania（营销系，沃顿商学院，宾夕法尼亚大学） ； Department of Psychology, School of Arts and Sciences, University of Pennsylvania（心理学系，艺术与科学学院，宾夕法尼亚大学）
AI总结 本文提出可解释的模糊时空框架用于P300分类，分析不同群体在波形形态和表征几何上的系统性差异，揭示群体异质性对解码性能及模型学习结构的影响。
AgentPulse: A Continuous Multi-Signal Framework for Evaluating AI Agents in Deployment
AgentPulse：一个连续多信号框架用于评估AI代理在部署中的表现
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； OpenMesh AI
AI总结 本文提出AgentPulse框架，通过18种实时信号评估50个AI代理在10种工作负载中的表现，揭示部署中的采纳、维护和体验信息，强调其作为方法论而非真实排名的价值。
Comments 19 pages, 5 figures, 9 tables. Preprint under review
When PINNs Go Wrong: Pseudo-Time Stepping Against Spurious Solutions
当PINNs出错时：伪时间步长对抗虚假解
机构 * Institute for Foundations of Data Science, Yale University（数据科学基础研究所，耶鲁大学） ； Department of Mechanical Engineering and Applied Mechanics, University of Pennsylvania（机械工程与应用力学系，宾夕法尼亚大学） ； Industrial Engineering & Management Science, Northwestern University（工业工程与管理科学，西北大学）
AI总结 本文探讨了PINNs在处理复杂问题时出现虚假解的原因，提出通过伪时间步长与重采样点结合来提高鲁棒性，并通过自适应步长策略提升准确性。
Comments 41 pages, 18 figures
When Corrective Hints Hurt: Prompt Design in Reasoner-Guided Repair of LLM Overcaution on Entailed Negations under OWL~2~DL
当纠正提示有害：在OWL~2~DL合规查询中LLM过度谨慎的修复提示设计
机构 * University of Michigan Ann Arbor, MI, USA（密歇根大学安娜堡分校） ； ByteDance Inc. San Jose, CA, USA（字节跳动公司） ； University of Pennsylvania Philadelphia, PA, USA（宾夕法尼亚大学）
AI总结 研究发现提示设计对LLM在OWL~2~DL合规查询中的修复效果有显著影响，通过对比不同交互模式发现，基于推理器的修复方法在无提示时表现最佳，而带有提示的修复方法效果更差。
Comments accepted by icaide 2026
V-GRPO: Online Reinforcement Learning for Denoising Generative Models Is Easier than You Think
V-GRPO：去噪生成模型的在线强化学习比你想象的更容易
机构 * Stanford University（斯坦福大学） ； Tsinghua University（清华大学） ； Amazon FAR（亚马逊FAR） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出V-GRPO方法，通过结合ELBO近似与GRPO算法，实现稳定高效的去噪生成模型在线强化学习，优于传统MDP方法，在文本到图像合成中取得最佳性能。
Optimal Lower Bounds for Online Multicalibration
在线多校准的最优下界
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文研究在线多校准问题，证明了使用三个不相交二元组的预期多校准误差下界为Ω(T^{2/3})，并展示了其与边际校准的分离。
Sum-of-Checks: Structured Reasoning for Surgical Safety with Large Vision-Language Models
Sum-of-Checks: 用于手术安全的结构化推理方法基于大型视觉-语言模型
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 Surgery, University of Toronto（多伦多大学外科系） ； Surgical Artificial Intelligence Research Academy, University Health Network（外科人工智能研究学院，大学健康网络） ； Department of Surgery, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学外科系，佩雷尔曼医学院）
AI总结 本文提出Sum-of-Checks框架，通过分解关键安全视图（CVS）标准为专家定义的检查，提升手术安全评估的准确性和透明性，实验显示其在三个模型上平均提升12-14%。
Comments IPCAI 2026 short communication
Recovery Guarantees for Continual Learning of Dependent Tasks: Memory, Data-Dependent Regularization, and Data-Dependent Weights
连续学习中依赖任务的恢复保证：记忆、数据依赖正则化和数据依赖权重
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文研究连续学习中依赖任务的恢复保证，提出数据依赖正则化和权重模型，推导出经验回放和持续学习等范式的统计恢复界。
jBOT: Semantic Jet Representation Clustering Emerges from Self-Distillation
jBOT：语义喷流表示聚类从自蒸馏中涌现
机构 * University of Pennsylvania, USA（美国宾夕法尼亚大学）
AI总结 本文提出jBOT，一种基于自蒸馏的预训练方法，通过局部粒子级和全局喷流级蒸馏学习喷流表示，支持异常检测和分类等下游任务，并在无标签喷流上观察到语义类聚类。
Comments Under review
Micro-DualNet: Dual-Path Spatio-Temporal Network for Micro-Action Recognition
微双网：用于微动作识别的双路径时空网络
机构 * The Children’s Hospital of Philadelphia（费城儿童医院） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出双路径网络，通过并行的空间-时间（ST）和时间-空间（TS）路径处理人体部位，采用自适应路由和MAC损失提升微动作识别性能。
Comments Accepted to International Conference on Automatic Face and Gesture Recognition (FG)
Concurrence: A dependence criterion for time series, applied to biological data
关联性：时间序列的一种依赖性准则，应用于生物数据
机构 * The Children’s Hospital of Philadelphia（费城儿童医院） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出一种基于时间序列分类器区分对齐与错位段的关联性准则，用于揭示生物数据中的复杂非线性关系，无需先验知识或大量数据。
Comments arXiv admin note: text overlap with arXiv:2508.02703
Supplement Generation Training for Enhancing Agentic Task Performance
增强代理任务性能的补充生成训练
机构 * University of Pennsylvania（宾夕法尼亚大学） ； AWS Agentic AI Labs（AWS智能代理AI实验室）
AI总结 本文提出补充生成训练(SGT)，通过小型LLM生成补充文本帮助大模型更高效完成任务，降低计算成本并提升部署灵活性。
Comments Accepted to the Findings of ACL 2026
AeroBridge-TTA: Test-Time Adaptive Language-Conditioned Control for UAVs
AeroBridge-TTA：UAVs的测试时间自适应语言条件控制
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文提出AeroBridge-TTA，通过测试时间适应解决UAVs在动态变化时的执行不匹配问题，采用语言编码器、自适应策略和在线更新的潜在空间模块，在多种任务中优于基线方法。
Benchmarking Misuse Mitigation Against Covert Adversaries
对抗隐蔽攻击的误用缓解基准测试
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 本文提出BSD基准测试，用于评估对抗隐蔽攻击的防御策略，通过生成两个拒绝前沿模型的难数据集，揭示分解攻击的有效性及状态化防御的潜力。
AlignedCut: Visual Concepts Discovery on Brain-Guided Universal Feature Space
AlignedCut: 在脑引导的通用特征空间中发现视觉概念
机构 * University of Pennsylvania（宾夕法尼亚大学）
AI总结 本文通过脑部fMRI响应预测训练目标，发现不同训练目标的深度网络共享通用特征通道，这些通道可聚类为对应不同脑区的视觉概念，无需监督解码器即可生成语义对象段。
IUQ: Interrogative Uncertainty Quantification for Long-Form Large Language Model Generation
IUQ：长文本大语言模型生成的疑问性不确定性量化
机构 * University of Pennsylvania（宾夕法尼亚大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； City University of Hong Kong（香港城市大学）
AI总结 本文提出IUQ框架，通过跨样本一致性与内样本忠实度量化长文本生成的不确定性，验证了其在不同模型上的优越性能。
Comments Accepted by ACL (main) 2026
Uncertainty Quantification in LLM Agents: Foundations, Emerging Challenges, and Opportunities
大语言模型代理中的不确定性量化：基础、新兴挑战与机遇
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文探讨了大语言模型代理中不确定性量化的基础、挑战及未来方向，提出新的框架并分析了现实场景中的技术难题。
Comments ACL 2026 Main Conference
Inertia in Moral and Value Judgments of Large Language Models
大语言模型中的道德与价值观判断中的惯性
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Ewha Womans University（成均馆大学）
AI总结 研究发现大语言模型在不同角色设定下仍保持一致的价值取向，存在道德和价值观维度的惯性倾向，揭示了模型内部的偏见和价值偏好。
Comments ACL 2026
Negative Momentum for Convex-Concave Optimization
凸-凹优化中的负动量
机构 * UPenn（宾夕法尼亚大学） ； Yale（耶鲁大学）
AI总结 本文研究了凸-凹优化中负动量的收敛性，证明了其在通用性和快速收敛性上的优势，扩展了动量方法的应用范围。
SeekerGym: A Benchmark for Reliable Information Seeking
SeekerGym：一个评估可靠信息检索的基准
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Curation Labs ； Google DeepMind（谷歌DeepMind）
AI总结 SeekerGym旨在评估AI代理检索信息的完整性，通过文档检索任务测试代理对信息完整性的量化能力，实验显示现有模型在Wikipedia和ML调研论文上分别检索出42.5%和29.2%的段落，仍有改进空间。
Interdisciplinary Workshop on Mechanical Intelligence: Summary Report
机械智能跨学科研讨会：总结报告
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； Purdue University（Purdue 大学） ； University of Michigan（密歇根大学） ； Tufts University（塔夫茨大学） ； Oregon State University（俄勒冈州立大学） ； Case Western Reserve University（凯斯西储大学） ； John’s Hopkins University（约翰·霍普金斯大学） ； Boston University（波士顿大学） ； University of Southern California（南加州大学） ； University of California at Berkeley（加州大学伯克利分校） ； Penn State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Colorado Boulder（科罗拉多大学 Boulder 分校） ； New Mexico State University（新墨西哥州立大学） ； University of Notre Dame（诺丁汉大学） ； Stanford University（斯坦福大学）
AI总结 本报告总结了2024年机械智能跨学科研讨会的成果，探讨了机械结构自身通过响应性、适应性、记忆和学习编码智能的现象，以及其与计算智能的区别。
