University of Pennsylvania（宾夕法尼亚大学）

Self-Reported Confidence of Large Language Models in Gastroenterology: Analysis of Commercial, Open-Source, and Quantized Models

大语言模型在胃肠病学中的自我报告置信度：对商业、开源和量化模型的分析

Nariman Naderi, Seyed Amir Ahmad Safavi-Naini, Thomas Savage, Zahra Atf, Peter Lewis, Girish Nadkarni, Ali Soroush

机构 * Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院） ； The Charles Bronfman Institute of Personalized Medicine, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院查尔斯·布朗夫曼个性化医学研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Ontario Tech University（安大略理工大学） 纠错

AI总结 研究评估了多种大语言模型在胃肠病学板式问题上的自我报告置信度，发现高性能模型仍存在过度自信问题，凸显了LLM在医疗领域安全使用中的不确定性量化挑战。

Comments 35 pages, 5 figures, 1 table, 7 supplementary figures

Journal ref npj Gut and Liver 3, 6 (2026)

We Still Don't Understand High-Dimensional Bayesian Optimization

我们仍然不理解高维贝叶斯优化

Colin Doumont, Donney Fan, Natalie Maus, Jacob R. Gardner, Henry Moss, Geoff Pleiss

机构 * Tübingen AI Center（图宾根人工智能中心） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Lancaster University（兰卡斯特大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 研究发现简单贝叶斯线性回归在高维贝叶斯优化中表现优异，挑战传统方法假设，揭示线性模型在计算和采样上的优势。

Bi-Lipschitz Autoencoder With Injectivity Guarantee

双 Lipschitz 自编码器与单射保证

Qipeng Zhan, Zhuoping Zhou, Zexuan Wang, Qi Long, Li Shen

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

AI总结 本文提出 Bi-Lipschitz 自编码器，通过引入单射正则化和双 Lipschitz 放松，解决传统自编码器在非单射映射和约束过严的问题，提升鲁棒性和收敛性。

Comments Accepted for publication at ICLR 2026, 27 Pages, 15 Figures

Visual prompting reimagined: The power of the Activation Prompts

视觉提示重新想象：激活提示的威力

Yihua Zhang, Hongkang Li, Yuguang Yao, Aochuan Chen, Shuai Zhang, Pin-Yu Chen, Meng Wang, Sijia Liu

机构 * Michigan State University（密歇根州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院） ； IBM Research（IBM研究院） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） 纠错

AI总结 本文提出激活提示（AP）以改进视觉提示（VP），通过在中间层激活图上引入通用扰动，揭示VP在性能和效率上的固有局限，并在29个数据集上验证AP在准确性和效率上的优势。

Comments AISTATS 2026

RoSHI: A Versatile Robot-oriented Suit for Human Data In-the-Wild

RoSHI：一种面向机器人的多功能服装

Wenjing Margaret Mao, Jefferson Ng, Luyang Hu, Daniel Gehrig, Antonio Loquercio

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 RoSHI结合低成本稀疏IMU与Project Aria眼镜，实现从第一人称感知中估计完整3D姿态和身体形状，用于真实世界机器人学习。

Comments 8 pages, 4 figures. *Equal contribution by first three authors. Project webpage: https://roshi-mocap.github.io/

Edgeworth Accountant: An Analytical Approach to Differential Privacy Composition

Edgeworth Accountant：一种差分隐私组合的分析方法

Hua Wang, Sheng Gao, Huanyu Zhang, Milan Shen, Weijie J. Su, Jiayuan Wu

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Meta Platforms, Inc.（Meta平台公司） 纠错

AI总结 本文提出Edgeworth Accountant方法，通过f-差分隐私框架分析组合隐私损失，利用Edgeworth展开估计隐私保证，提供非渐近的(ε, δ)-差分隐私界，适用于深度学习和联邦分析中的隐私保护。

Neuromorphic Computing for Low-Power Artificial Intelligence

类脑计算用于低功耗人工智能

Keshava Katti, Pratik Chaudhari, Deep Jariwala

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

AI总结 类脑计算通过新型器件模态和计算内存技术，结合类脑的模拟动态和稀疏通信，提升人工智能系统能效与可扩展性，需跨层协同设计新材料、非易失器件及学习算法。

Comments Published in "2025 Winter Bridge on the Grainger Foundation Frontiers of Engineering" available at https://www.nae.edu/344313/neuromorphic-computing-for-low-power-artificial-intelligence

A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction

一种结合空间转录组学和组织学的多模态基础模型用于生物发现和临床预测

Jinxi Xiang, Siyu Hou, Yuchen Li, Ryan Quinton, Xiaoming Zhang, Feyisope Eweje, Xiangde Luo, Yijiang Chen, Zhe Li, Colin Bergstrom, Ted Kim, Sierra Willens, Francesca Maria Olguin, Matthew Abikenari, Andrew Heider, Sanjeeth Rajaram, Joel Neal, Maximilian Diehn, Xiang Zhou, Ruijiang Li

机构 * Department of Radiation Oncology, Stanford University School of Medicine（斯坦福大学医学院放射肿瘤学系） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） ； Department of Medicine (Oncology), Stanford University School of Medicine（斯坦福大学医学院医学系（肿瘤学）） ； Department of Pathology, Stanford University School of Medicine（斯坦福大学医学院病理学系） ； Department of Neurosurgery, Stanford University School of Medicine（斯坦福大学医学院神经外科学系） ； Stanford Institute for Human-Centered Artificial Intelligence（斯坦福大学以人为本人工智能研究所） ； Perelman School of Medicine at the University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） 纠错

AI总结 本文提出STORM模型，整合形态学特征、基因表达和空间上下文，提升空间领域发现并预测肿瘤类型基因表达，提高免疫治疗响应预测和预后诊断。

Comments 29 pages, 5 figures. This manuscript is a work in progress; further updates and revisions will be posted as they become available

Adversarial Robustness of Deep State Space Models for Forecasting

深度状态空间模型在预测中的对抗鲁棒性

Sribalaji C. Anand, George J. Pappas

机构 * University of Pennsylvania（宾夕法尼亚大学） ； KTH Royal Institute of Technology（瑞典皇家理工学院） 纠错

AI总结 本文研究深度状态空间模型在预测中的对抗鲁棒性，通过控制理论视角，提出基于Spacetime SSM的鲁棒预测器设计方法，并推导出对抗预测误差的闭式界。

Comments 8 pages, 5 figures, conference submission

Learning-Based Fault Detection for Legged Robots in Remote Dynamic Environments

基于学习的腿部机器人远程动态环境故障检测

Abriana Stewart-Height, Seema Jahagirdar, Nikolai Matni

机构 * Massachusetts Institute of Technology（麻省理工学院） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出一种基于学习的离线方法，用于从腿部机器人本体传感器数据中检测单肢故障，以帮助控制器选择合适的三足步态。

Unlearning Noise in PINNs: A Selective Pruning Framework for PDE Inverse Problems

在PINNs中去除噪声：一种用于PDE反问题的选性剪枝框架

Yongsheng Chen, Yong Chen, Wei Guo, Xinghui Zhong

机构 * Zhejiang University（浙江大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Texas Tech University（德克萨斯理工大学） 纠错

AI总结 本文提出P-PINN框架，通过选性剪枝去除预训练PINN中受污染数据的影响，提升PDE反问题的鲁棒性、准确性和训练稳定性。

ModalImmune: Immunity Driven Unlearning via Self Destructive Training

ModalImmune: 通过自毁式训练实现的免疫驱动反学习

Rong Fu, WeiZhi Tang, Ziming Wang, Jia Yee Tan, Zijian Zhang, Zhaolu Kang, Muge Qi, Shuning Zhang, Simon Fong

机构 * University of Macau（澳门大学） ； Zhejiang University（浙江大学） ； Renmin University of China（中国人民大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出ModalImmune框架，通过可控地在训练中坍缩选定模态信息，使模型学习到对破坏性模态影响具有鲁棒性的联合表示，提升多模态系统在模态丢失或损坏时的可靠性。

Comments 24 pages, 8 figures

PALM: Progress-Aware Policy Learning via Affordance Reasoning for Long-Horizon Robotic Manipulation

PALM：通过具身理由推理进行长时间 horizon 肢体操作的进展感知策略学习

Yuanzhe Liu, Jingyuan Zhu, Yuchen Mo, Gen Li, Xu Cao, Jin Jin, Yifan Shen, Zhengyuan Li, Tianjiao Yu, Wenzhen Yuan, Fangqiang Ding, Ismini Lourentzou

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 PALM通过具身理由推理和子任务进展线索，改进长horizon机器人操作的策略学习，实现91.8%的成功率和更长的任务长度。

Comments CVPR 2026

SpikeStereoNet: A Brain-Inspired Framework for Stereo Depth Estimation from Spike Streams

SpikeStereoNet：一种受大脑启发的立体深度估计框架，用于从尖峰流中估计立体深度

Zhuoheng Gao, Yihao Li, Jiyao Zhang, Rui Zhao, Tong Wu, Hao Tang, Zhaofei Yu, Hao Dong, Guozhang Chen, Tiejun Huang

机构 * National Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理全国重点实验室） ； Center on Frontiers of Computing Studies, School of Computer Science, Peking University（北京大学计算机学院计算前沿研究中心） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； 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） 纠错

AI总结 本文提出SpikeStereoNet，一种受大脑启发的立体深度估计框架，直接从原始尖峰流中估计立体深度。该模型融合两个视角的原始尖峰流，并通过递归尖峰神经网络更新模块迭代优化深度估计。

Comments Accepted at ICLR 2026

Detecting and Correcting Reference Hallucinations in Commercial LLMs and Deep Research Agents

检测和纠正商业大语言模型和深度研究代理中的参考幻觉

Delip Rao, Eric Wong, Chris Callison-Burch

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

AI总结 研究通过评估10种模型和代理在DRBench和ExpertQA上的引用URL可靠性，发现3-13%的URL存在幻觉，5-18%无法解析。提出urlhealth工具可有效减少非解析URL，验证引用URL的有效性与可纠正性。

Comments 25 pages

Do We Need Frontier Models to Verify Mathematical Proofs?

我们是否需要前沿模型来验证数学证明？

Aaditya Naik, Guruprerana Shabadi, Rajeev Alur, Mayur Naik

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

AI总结 研究评估了开源和前沿LLM在验证数学证明中的表现，发现较小模型在准确性上接近前沿模型，但一致性较差，通过定制提示词提升性能。

Comments 21 pages, 11 figures

Attribution Gradients: Incrementally Unfolding Citations for Critical Examination of Attributed AI Answers

归因梯度：逐步展开引用以批判性审查归因AI答案

Hita Kambhamettu, Alyssa Hwang, Philippe Laban, Andrew Head

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出归因梯度技术，通过整合证据量、支持/矛盾摘录、源链接和上下文解释，提升引用信息的清晰度，并能展开二级引用，提升批判性阅读任务中的深度理解。

LMask: Learn to Solve Constrained Routing Problems with Lazy Masking

LMask: 通过惰性掩码学习解决受约束的路由问题

Tianyou Li, Haijun Zou, Jiayuan Wu, Zaiwen Wen

机构 * Beijing International Center for Mathematical Research, Peking University（北京大学北京国际数学研究中心） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系） 纠错

AI总结 LMask通过动态掩码生成高质量可行解，解决受约束的路由问题，采用惰性掩码解码方法和强化强度嵌入，提升解的质量和效率。

Comments Accepted to the Fourteenth International Conference on Learning Representations (ICLR 2026)

Learn then Decide: A Learning Approach for Designing Data Marketplaces

先学后决：一种用于设计数据市场的学习方法

Yingqi Gao, Wenlu Xu, Jin J. Zhou, Hua Zhou, Yong Chen, Xiaowu Dai

机构 * Department of Statistics and Data Science, University of California, Los Angeles（加州大学洛杉矶分校统计与数据科学系） ； Department of Biostatistics, University of California, Los Angeles（加州大学洛杉矶分校生物统计系） ； Department of Biostatistics, University of Pennsylvania（宾夕法尼亚大学生物统计系） 纠错

AI总结 本文提出MAPP机制，通过拍卖估计投标人价值分布并确定最优定价，确保公平和适应性定价，理论分析证明其在收益优化和最小价格歧视间的平衡。

Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory

Omni-SimpleMem：自主研究引导的终身多模态代理记忆发现

Jiaqi Liu, Zipeng Ling, Shi Qiu, Yanqing Liu, Siwei Han, Peng Xia, Haoqin Tu, Zeyu Zheng, Cihang Xie, Charles Fleming, Mingyu Ding, Huaxiu Yao

机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California Berkeley（加州大学伯克利分校） ； Cisco（思科） 纠错

AI总结 本文提出Omni-SimpleMem，通过自主研究流程发现多模态记忆框架，提升AI代理的长期记忆能力，其核心贡献在于通过自动实验发现架构改进、数据管道修复等关键突破，超越传统AutoML。

What Do Claim Verification Datasets Actually Test? A Reasoning Trace Analysis

声明验证数据集实际上测试什么？一种推理跟踪分析

Delip Rao, Chris Callison-Burch

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

AI总结 研究通过分析24K个验证案例的推理轨迹，发现数据集主要测试直接证据提取，而多句综合和数值推理不足，不同领域存在显著偏差，提出改进评估体系的建议。

Comments 11 pages

ThinknCheck: Grounded Claim Verification with Compact, Reasoning-Driven, and Interpretable Models

ThinknCheck：基于紧凑、推理驱动和可解释模型的 grounded claim 验证

Delip Rao, Feijiang Han, Chris Callison-Burch

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

AI总结 ThinknCheck 通过生成结构化推理和二元判断实现 grounded claim 验证，其在 LLMAggreFact 上达到 78.1% 的平衡准确率，优于 MiniCheck-7B，且在 SciFact 上提升 14.7 个百分点。

Comments 15 pages

The Newton-Muon Optimizer

牛顿-穆恩优化器

Zhehang Du, Weijie Su

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

AI总结 本文提出牛顿-穆恩优化器，通过引入替代模型揭示穆恩设计原理并提出新优化方法，通过矩阵-梯度正交化实现闭式更新规则，实验证明其在训练GPT-2时效率提升。

Generative Profiling for Soft Real-Time Systems and its Applications to Resource Allocation

生成性轮廓用于软实时系统及其在资源分配中的应用

Georgiy A. Bondar, Abigail Eisenklam, Yifan Cai, Robert Gifford, Tushar Sial, Linh Thi Xuan Phan, Abhishek Halder

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Iowa State University（爱荷华州立大学） 纠错

AI总结 本文提出生成性轮廓方法，用于生成实时任务的细粒度时间轮廓，以提高资源利用率，通过非参数条件多边际施瓦茨桥公式生成准确执行轮廓，并在实际基准中验证其有效性。

The Illusion of AI Expertise Under Uncertainty: Navigating Elusive Ground Truth via a Probabilistic Paradigm

人工智能专家能力的幻觉：通过概率范式导航 elusive 的真实地面真相

Aparna Elangovan, Lei Xu, Mahsa Elyasi, Ismail Akdulum, Mehmet Aksakal, Enes Gurun, Brian Hur, Saab Mansour, Ravid Shwartz Ziv, Karin Verspoor, Dan Roth

机构 * Independent Researcher（独立研究员） ； Amazon（亚马逊） ； Gazi University（加齐大学） ； University of Colorado（科罗拉多大学） ； Samsun University（萨姆松大学） ； The University Of Melbourne（墨尔本大学） ； New York University（纽约大学） ； RMIT University（皇家墨尔本理工大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出概率范式，揭示高置信度真实答案对专家高分的必要性，指出在真实答案变化大的数据集中，随机标注者与专家表现差异不大，强调在低专家表现时，按真实答案概率分层评估至关重要。

Human Misperception of Generative-AI Alignment: A Laboratory Experiment

人类对生成式人工智能对齐的误判：一项实验室实验

Kevin He, Ran Shorrer, Mengjia Xia

机构 * University of Pennsylvania（宾夕法尼亚大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 研究通过激励性实验室实验探讨人们在经济决策中对生成式人工智能对齐的感知，发现人们高估了生成式人工智能与人类选择的一致性。

Real Time Local Wind Inference for Robust Autonomous Navigation

实时局部风场推断用于稳健自主导航

Spencer Folk

机构 * University of Pennsylvania（宾夕法尼亚大学） ； NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心） 纠错

AI总结 本文通过融合距离测量与稀疏实地风测数据，实现实时风场推断，解决密集城市环境中地形数据的充分性及学习风模型在运动规划中的应用，提升自主导航的能耗效率与避障能力。

Comments PhD Thesis, University of Pennsylvania, 2026. 152 pages

Optimistic Actor-Critic with Parametric Policies for Linear Markov Decision Processes

乐观Actor-Critic方法用于线性马尔可夫决策过程的参数策略

Max Qiushi Lin, Reza Asad, Kevin Tan, Haque Ishfaq, Csaba Szepesvari, Sharan Vaswani

机构 * Simon Fraser University（西蒙菲莎大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Mila, McGill University（Mila，麦吉尔大学） ； Google DeepMind（谷歌DeepMind） ； University of Alberta（阿尔伯塔大学） 纠错

AI总结 本文提出一种乐观Actor-Critic框架，采用参数化logit匹配回归目标和近似汤普森采样，实现线性MDP中高效的样本复杂度。

Comments 61 pages, 9 figures

Closing the Confidence-Faithfulness Gap in Large Language Models

弥合大语言模型中的置信度-忠实度差距

Miranda Muqing Miao, Lyle Ungar

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

AI总结 本文通过线性探针和对比激活添加分析，揭示大语言模型中置信度信号与校准的线性关系，提出双阶段适应性引导流程以提升校准对齐。

When and Where: A Model Hippocampal Network Unifies Formation of Time Cells and Place Cells

何时与何地：一种海马网络模型统一了时间细胞和位置细胞的形成

Qiaorong S. Yu, Zhaoze Wang, Vijay Balasubramanian

机构 * New York University（纽约大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出一种海马网络模型，通过动态机制统一了时间细胞和位置细胞的形成，揭示了两者共享的起源与任务驱动的差异。

Comments 18 pages, 6 figures