University of Pennsylvania（宾夕法尼亚大学）

From physical surfaces to human-centric heat stress: LST and UTCI heat mapping reveals nonlinear effects of urban morphology

超越地表温度：可解释的空间机器学习揭示城市形态对以人类为中心的热压力的影响

Yuan Wang, Shengao Yi, Xiaojiang Li, Pengyuan Liu, Zhiwei Yang, Ronita Bardhan, Rudi Stouffs

机构 * Department of Architecture, National University of Singapore, Singapore 117566, Singapore ； Cambridge Centre for Advanced Research ； Sustainable Design Group, Department of Architecture, University of Cambridge, Cambridge, United Kingdom ； Department of City ； Regional Planning, University of Pennsylvania, Philadelphia, PA 19104, USA ； Urban Analytics Subject Group, Urban Studies \& Social Policy Division, University of Glasgow ； Laboratory for Earth Surface Processes, Ministry of Education, College of Urban ； Environmental Sciences, Peking University, Beijing 100871, China 纠错

AI总结 本文通过比较地表温度与通用热气候指数，揭示城市形态对人类热压力的影响，采用可解释的机器学习方法分析两者在空间分布和机制上的差异。

Comments Accepted manuscript. The final published version is available at https://doi.org/10.1016/j.scs.2026.107659

Partially Observed Structural Causal Models

部分观测结构因果模型

Turan Orujlu, Jordan Matelsky, Martin V. Butz, Charley M. Wu, Konrad P. Kording

机构 * University of Tübingen（图宾根大学） ； MPI for Biological Cybernetics（生物控制研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； TU Darmstadt（图恩大学） 纠错

AI总结 研究将结构因果模型扩展为部分观测结构因果模型，用于特定因果系统。通过分离节点机制定义边干预，给出可识别性理论，在两个模拟器中实证验证，为因果系统提供面向干预框架，处理上下文等共同生成且部分观测的情况。

Linked Multi-Modal Data on Russian Domestic and Foreign Policy Speeches

连接多模型数据：俄罗斯国内与对外政策演讲

Daria Blinova, Gayathri Emuru, Rakesh Emuru, Kushagradheer Shridheer Srivastava, Mina Rulis, Sunita Chandrasekaran, Benjamin E. Bagozzi

机构 * University of Delaware, Department of Political Science & International Relations（德克萨斯大学，政治科学与国际关系系） ； University of Delaware, Masters of Science in Data Science Program（德克萨斯大学，数据科学硕士项目） ； University of Delaware, Department of Computer & Information Sciences（德克萨斯大学，计算机与信息科学系） ； University of Pennsylvania, Department of Political Science（宾夕法尼亚大学，政治科学系） 纠错

AI总结 本文介绍了一个连接多模态政治通讯的数据集，涵盖俄罗斯政府多个 decades 的官方演讲，提供俄语和英语文本、图像及注释，并通过 transformer 多模态模型进行主题标注，支持政治通讯的多模态分析。

Where to Touch, How to Contact: A Hierarchical RL-MPC Framework for Geometry-Aware Sim-to-Real Manipulation

何处触碰，如何接触：面向几何感知的长时间灵巧操作的分层RL-MPC框架

Zhixian Xie, Yu Xiang, Michael Posa, Wanxin Jin

机构 * Arizona State University（亚利桑那州立大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 提出分层RL-MPC框架，高层RL策略预测接触意图（接触位置和子目标位姿），低层接触隐式MPC优化局部接触模式并实时重规划，实现几何泛化的非抓取操作，数据效率提升10倍且零样本迁移到真实环境。

Beyond Logit Adjustment: A Residual Decomposition Framework for Long-Tailed Reranking

超越Logit调整：一种用于长尾重排的残差分解框架

Zhanliang Wang, Hongzhuo Chen, Quan Minh Nguyen, Mian Umair Ahsan, Kai Wang

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Children’s Hospital of Philadelphia（费城儿童医院） 纠错

AI总结 本文提出残差分解框架，用于解决长尾分类中频繁类与稀有类的排序问题，通过分析残差分解的类内和类间组件，提出REPAIR方法以提升重排性能。

Comments Accepted into COLM 2026

Journal ref CONFERENCE ON LANGUAGE MODELING CONFERENCE ON LANGUAGE MODELING Third Conference on Language Modeling (COLM 2026)

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。

Predicting Scale-Up of Metal-Organic Framework Syntheses with Large Language Models

利用大语言模型预测金属有机框架合成的可扩展性

Peter Walther, Hongrui Sheng, Xinxin Liu, Bin Feng, Reid Coyle, Xinhua Yan, Kyle Smith, Harrison Kayal, Shyam Chand Pal, Zhiling Zheng

机构 * Department of Chemistry, Washington University（华盛顿大学化学系） ； Fudan University（复旦大学） ； 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） ； College of Chemistry and Materials Science, Fujian Normal University（福建师范大学化学与材料科学学院） ； Institute of Materials Science & Engineering, Washington University（华盛顿大学材料科学与工程学院） 纠错

AI总结 本文提出ESU-MOF数据集和正例未标记学习策略，通过大语言模型预测MOF合成的可扩展性，准确率达91.4%，助力工业级MOF发现。

Multi-Distribution Robust Conformal Prediction

多分布鲁棒共形预测

Yuqi Yang, Ying Jin

机构 * Mathematics Department, The Hong Kong University of Science（香港科学与技术大学数学系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系） ； Data Science, University of Pennsylvania, Philadelphia, PA, USA（宾夕法尼亚大学数据科学） 纠错

AI总结 研究在多源分布下构建一致有效的共形预测集问题，提出最大\(p\)聚合方案，证明其最优性并给出学习一致性分数算法，实验表明该方法能在多分布上提供有效覆盖率且减小集合大小。

Comments ICML 2026

Health System Scale Semantic Search Across Unstructured Clinical Notes

跨无结构临床笔记的健康系统规模语义搜索

Faith Wavinya Mutinda, Spandana Makeneni, Anna Lin, Shivaji Dutta, Irit R. Rasooly, Patrick Dibussolo, Shivani Kamath Belman, Hessam Shahriari, Kevin Murphy, Alex B. Ruan, Barbara H. Chaiyachati, Sanjay Chainani, Robert W. Grundmeier, Scott M. Haag, Jeffrey M. Miller, Heather M. Griffis, Ian M. Campbell

机构 * Department of Biomedical and Health Informatics, Children’s Hospital of Philadelphia（儿童医院哲学学院生物医学与健康信息学系） ； Google Cloud（谷歌云） ； Department of Pediatrics, University of Pennsylvania（宾夕法尼亚大学儿科系） ； Division of Neonatology, Children’s Hospital of Philadelphia（儿童医院哲学学院新生儿科） ； Division of Human Genetics, Children’s Hospital of Philadelphia（儿童医院哲学学院人类遗传学部） 纠错

AI总结 本文提出了一种在大规模健康系统中实现语义搜索的解决方案，通过优化嵌入模型和分块策略，实现了亚秒级查询延迟和高准确率的临床问答任务，同时展示了在临床实用性评估中减少任务完成时间的效果。

Comments For associated code, see https://github.com/Ian-Campbell-Lab/clinical-semantic-search

MLS-Bench: A Holistic and Rigorous Assessment of AI Systems on Building Better AI

MLS-Bench：对构建更好AI的AI系统的全面且严格评估

Bohan Lyu, Yucheng Yang, Siqiao Huang, Jiaru Zhang, Qixin Xu, Xinghan Li, Xinyang Han, Yicheng Zhang, Huaqing Zhang, Runhan Huang, Kaicheng Yang, Zitao Chen, Wentao Guo, Junlin Yang, Xinyue Ai, Wenhao Chai, Yadi Cao, Ziran Yang, Kun Wang, Dapeng Jiang, Huan-ang Gao, Shange Tang, Chengshuai Shi, Simon S. Du, Max Simchowitz, Jiantao Jiao, Dawn Song, Chi Jin

机构 * UC Berkeley（伯克利大学） ； Princeton University（普林斯顿大学） ； Tsinghua University（清华大学） ； University of Washington（华盛顿大学） ； Purdue University（Purdue 大学） ； Harvard University（哈佛大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Shanghai Jiao Tong University（上海交通大学） ； UC San Diego（圣地亚哥大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 提出MLS-Bench基准，包含12个领域140个任务，评估AI系统能否发明通用且可扩展的机器学习方法，发现当前智能体在方法发明上仍远逊于人类，瓶颈在于科学洞察而非单纯搜索或计算。

Decomposed Prompting Does Not Fix Knowledge Gaps, But Helps Models Say "I Don't Know"

分解式提示无法弥补知识差距，但有助于模型说“我不知道”

Dhruv Madhwal, Lyuxin David Zhang, Dan Roth, Tomer Wolfson, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Oracle AI 纠错

AI总结 研究大语言模型在闭卷问答中识别知识局限的问题，评估三种提示方式在不同模型规模和多跳问答基准下的影响，利用提示方式间的分歧信号实现无训练弃权策略，提升模型可靠性。

Comments Camera-ready version. Published in Findings of ACL 2026. Code and data: https://github.com/dhruvmadhwal/disagreement-based-abstention

Knowing When Not to Answer: Lightweight KB-Aligned OOD Detection for Safe RAG

知道何时不回答：用于安全检索增强生成的轻量级知识库对齐的域外检测

Ilias Triantafyllopoulos, Renyi Qu, Salvatore Giorgi, Brenda Curtis, Lyle H. Ungar, João Sedoc

机构 * New York University（纽约大学） ； National Institute on Drug Abuse（国家成瘾医学研究所） ； University of Pennsylvania（宾夕法尼亚大学） ； Microsoft（微软公司） 纠错

AI总结 研究用于检索增强生成（RAG）系统的轻量级、知识库对齐的域外检测，通过PCA处理知识库嵌入，用方差保留或t检验排序选择子空间评分查询，评估规则和分类器，发现低维检测器性能好且更优。

MAD-PINN: A Decentralized Physics-Informed Machine Learning Framework for Safe and Optimal Multi-Agent Control

MAD-PINN：一种用于安全和最优多智能体控制的分散式物理信息机器学习框架

Manan Tayal, Aditya Singh, Shishir Kolathaya, Somil Bansal

机构 * Center for Cyber-Physical Systems, Indian Institute of Science（印度科学研究院中心 for 联合体系统） ； Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与航天工程系） 纠错

AI总结 针对大规模多智能体系统安全与性能协同优化难题，提出MAD-PINN框架。利用基于上图的公式化方法，通过物理信息神经网络近似求解，采用分散训练与执行策略，实验表明其性能优越且具可扩展性。

Comments 9 Pages, 4 Figures, 4 Tables. First two authors have contributed equally

Hierarchical Bayesian Crowdsourcing with Item Difficulty

具有项目难度的分层贝叶斯众包

Seong Woo Han, Ozan Adıgüzel, Bob Carpenter

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Columbia University（哥伦比亚大学） ； Center for Computational Mathematics, Flatiron Institute（Flatiron研究所计算数学中心） 纠错

AI总结 研究针对训练用黄金标准有偏差且带噪声的问题，引入通用测量误差模型，通过添加项目难度等效应推断共识类别，还展示约束模型双峰后验的方法，并验证其拟合优度与预测准确性。

Journal ref ProbML 2026 Workshop Track

GestaltMML: Enhancing Rare Genetic Disease Diagnosis through Multimodal Machine Learning Combining Facial Images and Clinical Text

GestaltMML：通过结合面部图像和临床文本的多模态机器学习增强罕见遗传病诊断

Da Wu, Zhanliang Wang, Hongzhuo Chen, Jingye Yang, Cong Liu, Tzung-Chien Hsieh, Elaine Marchi, Justin Blair, Peter Krawitz, Chunhua Weng, Wendy Chung, Gholson J. Lyon, Ian D. Krantz, Jennifer M. Kalish, Kai Wang

机构 * Raymond G. Perelman Center for Cellular and Molecular Therapeutics, Children’s Hospital of Philadelphia（雷蒙德·G·佩尔曼细胞与分子治疗中心，费城儿童医院） ； Department of Mathematics, University of Pennsylvania（数学系，宾夕法尼亚大学） ； Department of Biomedical Informatics, Columbia University Irving Medical Center（生物医学信息学系，哥伦比亚大学伊万斯医疗中心） ； Department of Human Genetics, New York State Institute for Basic Research in Developmental Disabilities, Staten Island, NY, USA（人类遗传学系，纽约州发育障碍基础研究机构，纽约州史泰登岛） ； Division of Human Genetics, Children’s Hospital of Philadelphia（人类遗传学部，费城儿童医院） ； Department of Pediatrics, Boston Children’s Hospital, Harvard Medical School（儿科系，波士顿儿童医院，哈佛医学院） ； Biology PhD Program, The Graduate Center, The City University of New York（生物学博士项目，纽约市立大学研究生中心） ； Department of Genetics, Perelman School of Medicine, University of Pennsylvania（遗传学系，宾夕法尼亚大学佩尔曼医学学院） ； Department of Pediatrics, Perelman School of Medicine, University of Pennsylvania（儿科系，宾夕法尼亚大学佩尔曼医学学院） ； Department of Pathology and Laboratory Medicine, Perelman School of Medicine, University of Pennsylvania（病理学与实验室医学系，宾夕法尼亚大学佩尔曼医学学院） 纠错

AI总结 研究针对罕见遗传病诊断难题，提出基于Transformer架构的多模态机器学习方法GestaltMML，整合面部图像、人口统计学信息和临床笔记，提升预测准确性，缩小诊断差距。

Comments Preprint updated

Match-Any-Events: Zero-Shot Motion-Robust Feature Matching Across Wide Baselines for Event Cameras

Match-Any-Events: 零样本跨大基线事件相机运动鲁棒特征匹配

Ruijun Zhang, Hang Su, Kostas Daniilidis, Ziyun Wang

机构 * Johns Hopkins University（约翰霍普金斯大学） ； ShanghaiTech University（上海科技大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Archimedes, Athena RC（Archimedes，Athena RC） 纠错

AI总结 本文提出首个零样本事件匹配模型，通过运动鲁棒且高效的注意力骨干网络和稀疏感知事件token选择，实现跨数据集大基线对应。实验显示比现有方法提升37.7%。

Comments Accepted to ECCV 2026

Journal ref Proceedings of the European Conference on Computer Vision (ECCV) 2026

Efficient Sampling with Discrete Diffusion Models: Sharp and Adaptive Guarantees

离散扩散模型的高效采样：尖锐且自适应的保证

Daniil Dmitriev, Zhihan Huang, Yuting Wei

机构 * Department of Statistics and Data Science, the Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院统计与数据科学系） 纠错

AI总结 本文研究基于连续时间马尔可夫链的离散扩散模型采样效率，提出τ-跳跃采样器，在KL散度下达到ε精度，对均匀扩散实现Õ(d/ε)复杂度，对掩蔽扩散引入有效总相关量实现自适应收敛。

Comments 59 pages, 1 figure. Accepted at the Conference on Learning Theory (COLT) 2026

Multiple Testing of Linear Forms for Noisy Matrix Completion

噪声矩阵补全中线性形式的多元检验

Wanteng Ma, Lilun Du, Dong Xia, Ming Yuan

机构 * University of Pennsylvania（宾夕法尼亚大学） ； City University of Hong Kong（香港城市大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Columbia University（哥伦比亚大学） 纠错

AI总结 针对大规模推荐系统中噪声矩阵补全的多元线性形式检验问题，提出一种数据分割与对称聚合方法，通过构造具有锐利渐近性质的统计量控制错误发现率，在近最优样本量下实现有效FDR控制与统计功效。

Can LLMs Reason About Attention? Towards Zero-Shot Analysis of Multimodal Classroom Behavior

LLMs能否进行注意力推理？多模态课堂行为的零样本分析

Nolan Platt, Sehrish Nizamani, Alp Tural, Elif Tural, Saad Nizamani, Andrew Katz, Yoonje Lee, Nada Basit

机构 * Virginia Tech（弗吉尼亚理工大学） ； University of Virginia（弗吉尼亚大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出一个隐私保护的分析流程，利用OpenPose和Gaze-LLE提取学生注意力信息，并通过QwQ-32B-Reasoning进行零样本分析，探讨LLMs在多模态行为理解中的潜力与局限。

Comments 8 pages, 2 figures. Preprint

ProtoFlow: Mitigating Forgetting in Class-Incremental Remote Sensing Segmentation via Low-Curvature Prototype Flow

ProtoFlow: 通过低曲率原型流缓解类别增量遥感分割中的遗忘

Jiekai Wu, Rong Fu, Chuangqi Li, Zijian Zhang, Guangxin Wu, Hao Zhang, Shiyin Lin, Jianyuan Ni, Yang Li, Dongxu Zhang, Amir H. Gandomi, Simon Fong, Pengbin Feng

机构 * Faculty of Health Data Science, Juntendo University（静冈大学健康数据科学学院） ； The Institute of Collaborative Innovation, University of Macau（澳门大学协同创新研究所） ； Department of Information and Computing Sciences, Faculty of Science, Utrecht University（乌得勒支大学科学学院信息与计算科学系） ； 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） ； School of Computer Science, University of Chinese Academy of Sciences（中国科学院大学计算机科学学院） ； Department of Computer & Information Science & Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） ； Department of Computer Science, Juniata College（朱尼塔学院计算机科学系） ； National Engineering Research Center for Beijing Biochip Technology（北京生物芯片工程技术研究中心） ； CapitalBio Corporation（资本生物公司） ； Faculty of Engineering & Information Technology, University of Technology Sydney（悉尼科技大学工程与信息技术学院） ； University Research and Innovation Center (EKIK), Obuda University（布达佩斯大学研究与创新中心（EKIK）） ； Faculty of Science and Technology, University of Macau（澳门大学科学与技术学院） ； Department of Mathematics, University of Southern California（南加州大学数学系） 纠错

AI总结 本文提出ProtoFlow，一种时间感知的原型动态框架，通过将类别原型建模为轨迹并学习其演变，以缓解遥感分割中的遗忘问题，实验表明其在多个基准上取得了显著提升。

Comments 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

Mitigating Hallucinations via Inter-Layer Consistency Aggregation in Large Vision-Language Models

通过层间一致性聚合缓解大型视觉-语言模型中的幻觉

Kai Tang, Jinhao You, Yichen Guo, Yiding Sun, Dongxu Zhang, Wenya Wang, Hanze Li, Tao Luo, Renyuan Li, Xiande Huang, Shanghang Zhang

机构 * Peking University（北京大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Virginia Tech（弗吉尼亚理工大学） ； University of Electronic Science and Technology of China（电子科技大学） ； De Artificial Intelligence Lab（人工智能实验室） 纠错

AI总结 提出训练无关的解码方法DCLA，通过聚合前层表示构建动态语义参考并纠正语义偏差层，增强层间一致性，在多个LVLM和基准上显著降低幻觉。

SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease

SDE驱动的时空超图神经网络用于阿尔茨海默病不规则纵向fMRI连接组建模

Ruiying Chen, Yutong Wang, Houliang Zhou, Wei Liang, Yong Chen, Lifang He

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

AI总结 提出SDE-HGNN，利用随机微分方程重建不规则观测的连续潜在轨迹，构建动态超图捕获脑区高阶交互，并通过SDE控制的循环动力学实现疾病阶段自适应连接建模，在AD进展预测中优于现有方法。

Comments Submitted to AMIA Annual Symposium 2026, 10 pages, 4 figures

OmegAMP: Targeted AMP Discovery via Biologically Informed Generation

OmegAMP：通过生物信息引导的靶向抗菌肽发现

Diogo Soares, Leon Hetzel, Paulina Szymczak, Marcelo Der Torossian Torres, Johanna Sommer, Cesar de la Fuente-Nunez, Fabian Theis, Stephan Günnemann, Ewa Szczurek

机构 * Institute of AI for Health, Helmholtz Munich（海德堡-慕尼黑人工智能与健康研究所） ； School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院） ； Institute of Computational Biology, Helmholtz Munich（海德堡-慕尼黑计算生物学研究所） ； Munich Data Science Institute, Technical University of Munich（慕尼黑技术大学慕尼黑数据科学研究所） ； Faculty of Medicine, Ludwig Maximilian University of Munich（慕尼黑路德维希-马克西米利安大学医学院） ； Machine Biology Group, Departments of Psychiatry and Microbiology, Institute for Biomedical Informatics, Institute for Translational Medicine and Therapeutics, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学马歇尔医学中心机器生物学组） ； Departments of Bioengineering and Chemical and Biomolecular Engineering, University of Pennsylvania（宾夕法尼亚大学生物工程与化学与生物分子工程系） ； Department of Chemistry, School of Arts and Sciences, University of Pennsylvania（宾夕法尼亚大学化学系） ； Penn Institute for Computational Science, University of Pennsylvania（宾夕法尼亚大学宾夕法尼亚计算科学研究所） ； TUM School of Life Sciences, Technical University of Munich（慕尼黑技术大学生命科学学院） ； Faculty of Mathematics, Informatics and Mechanics, University of Warsaw（华沙大学数学、信息学与力学系） 纠错

AI总结 提出OmegAMP框架，利用扩散模型和生物信息编码空间实现可控抗菌肽生成，结合数据增强分类器降低假阳性，在湿实验中达到96%活性率。

LLM Program Optimization via Retrieval Augmented Search

通过检索增强搜索实现LLM程序优化

Sagnik Anupam, Alexander Shypula, Osbert Bastani

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

AI总结 提出检索增强搜索（RAS）方法，利用LLM进行黑盒程序优化，通过检索慢-快程序对引导束搜索，并基于LLM生成的自然语言描述进行上下文检索，显著优于源码检索；同时提出AEGIS方法通过原子编辑提升可解释性。

Comments ACL 2026 Findings

Task Vector Bases: A Unified and Scalable Framework for Compressed Task Arithmetic

任务向量基：一种统一且可扩展的压缩任务算术框架

Siqi Zeng, Yifei He, Meitong Liu, Weiqiu You, Yifan Hao, Yao-Hung Hubert Tsai, Makoto Yamada, Han Zhao

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Pennsylvania（宾夕法尼亚大学） ； Okinawa Institute of Science and Technology（冲绳科学技术大学院大学） 纠错

AI总结 提出任务向量基框架，将T个任务向量压缩为M<T个基向量，支持加法、否定等算术操作，理论保证泛化与遗忘，实验表明压缩后性能优于或持平完整集合。

Comments Published as a journal paper at TMLR in Jun 2026. 10 pages, 12 figures

DoGMaTiQ: Automated Generation of Question-and-Answer Nuggets for Report Evaluation

DoGMaTiQ：面向报告评估的问答片段自动生成

Bryan Li, William Walden, Yu Hou, Gabrielle Kaili-May Liu, Dawn Lawrie, James Mayfield, Eugene Yang, Chris Callison-Burch, Laura Dietz

机构 * Google Inc.（谷歌公司） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Maryland（马里兰大学） ； Yale University（耶鲁大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of New Hampshire（新罕布什尔大学） 纠错

AI总结 提出DoGMaTiQ流水线，通过文档锚定生成、释义聚类和基于质量准则的子选择三步自动生成高质量QA片段，实现报告的全自动评估，在跨语言任务中与人工判断高度相关。

Comments ICTIR '26

Symmetry-Compatible Principle for Optimizer Design: Embeddings, LM Heads, SwiGLU MLPs, and MoE Routers

优化器设计的对称性兼容原理：嵌入、LM头、SwiGLU MLP和MoE路由器

Tim Tsz-Kit Lau, Weijie Su

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Wharton School（沃顿商学院） 纠错

AI总结 针对现代神经网络参数空间的对称性与坐标级优化器之间的几何不匹配，提出对称性兼容的优化器设计原则，并针对嵌入矩阵、LM头、SwiGLU MLP投影和MoE路由器等特殊参数块导出相应更新规则，实验证明其改善验证损失、负载平衡和训练稳定性。

Comments Corrected typos and updated the list of references

Interpretable machine learning of halo gas density profiles: a sensitivity analysis of cosmological hydrodynamical simulations

晕气体密度分布的可解释机器学习：宇宙流体动力学模拟的敏感性分析

Daniele Sorini, Sownak Bose, Mathilda Denison, Romeel Davé

机构 * Institute for Computational Cosmology, Department of Physics, Durham University（计算宇宙学研究所，物理系，杜伦大学） ； Department of Physics and Astronomy, University of Pennsylvania（物理与天文学系，宾夕法尼亚大学） ； Institute for Astronomy, University of Edinburgh（天文研究所，爱丁堡大学） ； Department of Physics and Astronomy, University of the Western Cape（物理与天文学系，南非开普敦西部大学） 纠错

AI总结 利用随机森林算法预测晕内径向气体密度分布，并通过Sobol敏感性分析量化不同星系属性对气体分布的影响，发现晕总质量和中心星系气体质量与气体分布关联最强。

Comments Published in the Open Journal of Astrophysics

Journal ref The Open Journal of Astrophysics, Vol. 9, 23rd June 2026

Automated Standardization of Legacy Biomedical Metadata Using an Ontology-Constrained LLM Agent

使用本体约束的LLM代理自动化标准化遗留生物医学元数据

Josef Hardi, Martin J. O'Connor, Marcos Martinez-Romero, Jean G. Rosario, Stephen A. Fisher, Mark A. Musen

机构 * Division of Computational Medicine, Stanford University（斯坦福大学计算医学部） ； Department of Biology, University of Pennsylvania（宾夕法尼亚大学生物学系） 纠错

AI总结 提出基于LLM的元数据标准化系统，通过实时查询标准指南和本体服务，在839条HuBMAP记录上验证，相比纯LLM方法显著提升预测准确性。

Group-Sparse Matrix Factorization for Transfer Learning of Word Embeddings

面向词嵌入迁移学习的组稀疏矩阵分解

Kan Xu, Xuanyi Zhao, Hamsa Bastani, Osbert Bastani

机构 * W. P. Carey School of Business, Arizona State University（亚利桑那州立大学韦伯商学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） 纠错

AI总结 提出一种基于组稀疏惩罚的两阶段估计器，通过结合大规模语料和少量领域数据高效迁移学习领域特定的词嵌入，并证明了其泛化误差界和非凸目标函数的局部最优与全局最优统计等价。