University of Southern California（南加州大学）

GraphLeap: Decoupling Graph Construction and Convolution for Vision GNN Acceleration on FPGA

GraphLeap：解耦图构建与卷积以加速FPGA上的视觉图神经网络

Anvitha Ramachandran, Dhruv Parikh, Viktor Prasanna

机构 * University of Southern California, Los Angeles, California, USA（美国南加州大学） 纠错

AI总结 GraphLeap通过解耦图构建与特征更新，提升FPGA上视觉图神经网络的推理速度，实现95.7倍CPU和8.5倍GPU的加速效果。

Comments FCCM 2026

Strategic Heterogeneous Multi-Agent Architecture for Cost-Effective Code Vulnerability Detection

战略异构多智能体架构用于高效代码漏洞检测

Zhaohui Geoffrey Wang

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文提出一种基于博弈论的异构多智能体架构，结合云上大语言模型专家与本地轻量验证器，通过三重专家并行分析与对抗验证，实现高效且高精度的代码漏洞检测，实验显示其在精度和召回率上均优于现有方法。

Comments 11 pages, 5 figures. Accepted at the AAMAS 2026 Workshop on Software Engineering (SE Workshop). This version corresponds to the preprint of the workshop paper

CLT-Optimal Parameter Error Bounds for Linear System Identification

CLT-最优参数误差界用于线性系统辨识

Yichen Zhou, Stephen Tu

机构 * Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, California, USA（明希电气与计算机工程系，南加州大学，洛杉矶，加利福尼亚州，美国） 纠错

AI总结 本文基于CLT理论，改进了线性系统辨识中OLS参数误差的非渐近界，解决了现有界高估参数误差的问题，并在Frobenius范数和谱范数下得到最优速率。

Comments 36 pages

Generative Discovery of Magnetic Insulators under Competing Physical Constraints

在竞争物理约束下发现磁绝缘体的生成发现

Qiulin Zeng, Tahiya Chowdhury, Md Shafayat Hossain

机构 * Department of Math, University of Southern California（数学系，南加州大学） ； Department of Computer Science, Colby College（计算机科学系，科尔比学院） ； California NanoSystems Institute, University of California, Los Angeles（加州大学洛杉矶分校加州纳米系统研究所） 纠错

AI总结 本文提出MagMatLLM框架，通过生成和进化选择结合第一性原理验证，发现十二种新磁绝缘体，展示了在稀疏化学空间中多目标材料发现的通用方法。

Co-Evolving LLM Decision and Skill Bank Agents for Long-Horizon Tasks

共进化LLM决策与技能库代理以应对长周期任务

Xiyang Wu, Zongxia Li, Guangyao Shi, Alexander Duffy, Tyler Marques, Matthew Lyle Olson, Tianyi Zhou, Dinesh Manocha

机构 * University of Maryland（马里兰大学） ； University of Southern California（南加州大学） ； Good Start Labs（Good Start实验室） ； Independent Researcher（独立研究者） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 本文提出COSPLAY框架，通过LLM决策代理与技能库代理的共进化，提升长周期任务中的技能检索与决策能力，实验显示在六个游戏环境中，COSPLAY在单人游戏基准上平均奖励提升超过25.1%。

Comments 26 pages

Achieving the Kesten-Stigum bound in the non-uniform hypergraph stochastic block model

在非均匀超图随机块模型中实现Kesten-Stigum界

Manuel Fernandez, Ludovic Stephan, Yizhe Zhu

机构 * Department of Mathematics, University of Southern California（数学系，南加州大学） ； Univ Rennes, Ensai, CNRS, CREST-UMR 9194（里昂大学，Ensai，CNRS，CREST-UMR 9194） 纠错

AI总结 研究非均匀超图随机块模型中的社区检测问题，通过建立非均匀HSBM的Kesten-Stigum界，证明在多个均匀超图层下，当信号噪声比总和超过1时可实现弱恢复，并提出基于最优加权非回溯算子的多项式时间谱算法。

Comments 67 pages, 1 figure

Vibrotactile Preference Learning: Uncertainty-Aware Preference Learning for Personalized Vibration Feedback

触觉偏好学习：面向个性化振动反馈的不确定性感知偏好学习

Rongtao Zhang, Xin Zhu, Masoume Pourebadi Khotbehsara, Warren Dao, Erdem Bıyık, Heather Culbertson

机构 * Department of Computer Science（计算机科学系） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出Vibrotactile Preference Learning，通过高斯过程基于的不确定性感知偏好学习捕捉用户特定的振动参数偏好空间，通过预期信息增益指导查询选择，实现高效探索参数空间，实验表明其能有效学习个性化偏好并保持用户交互舒适低负荷。

Comments Project webpage: https://isanshi.github.io/publication/vpl/

Words that make SENSE: Sensorimotor Norms in Learned Lexical Token Representations

使意义的词：学习的词性表示中的感觉运动规范

Abhinav Gupta, Toben H. Mintz, Jesse Thomason

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文提出SENSE模型，通过词嵌入预测Lancaster感觉运动规范，并通过行为研究验证了人类选择与SENSE评分之间的显著相关性。

Comments 5 pages, 2 figures, codebase can be found at: https://github.com/abhinav-usc/SENSE-model/tree/main

DAVIS: OOD Detection via Dominant Activations and Variance for Increased Separation

DAVIS：通过主导激活和方差提高分离度进行领域外检测

Abid Hassan, Tuan Ngo, Saad Shafiq, Nenad Medvidovic

机构 * University of Southern California（南加州大学） 纠错

AI总结 DAVIS利用激活图的通道方差和主导激活进行领域外检测，通过增强特征向量减少信息损失，提升检测性能，在多个基准上显著降低误报率。

Sharpness-Aware Minimization with Z-Score Gradient Filtering

基于Z分数梯度过滤的尖锐性感知最小化

Vincent-Daniel Yun

机构 * University of Southern California, USA（美国南加州大学） ； Open Neural Network Research Lab, MODULABS, Republic of Korea（韩国MODULABS开放神经网络研究实验室） 纠错

AI总结 本文提出Z分数过滤的尖锐性感知最小化方法，通过筛选梯度中的显著成分提升模型泛化能力，在多个数据集和架构上验证了其有效性。

Comments Accepted to ICASSP 2026 | NeurIPS 2025 OPT Workshop Paper

Mind the Gap: Optimal and Equitable Encouragement Policies

注意差距：最优且公平的鼓励政策

Angela Zhou

机构 * Department of Data Sciences and Operations, University of Southern California（数据科学与运营系，南加州大学） 纠错

AI总结 本文研究了在人类不遵循治疗建议的情况下，如何通过个性化决策问题设计最优且公平的鼓励政策，考虑响应性和治疗效果，并在预算和访问限制下提出可操作的政策特征。

Comments Updated with major new case study on SNAP recertification benefits