Flexible Routing via Uncertainty Decomposition
通过不确定性分解实现灵活路由
机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） ； Apple（苹果公司）
AI总结 本文提出一种不确定性感知的路由方法，通过分解总不确定性为不可约和可约成分，实现灵活的模型路由和退避策略，理论上有强保障，并在合成和现实数据集上验证了其有效性。
高校专区
University of Southern California（南加州大学）
MedExAgent: Training LLM Agents to Ask, Examine, and Diagnose in Noisy Clinical Environments
MedExAgent：训练LLM代理在嘈杂的临床环境中提问、检查和诊断
机构 * University of Southern California（南加州大学） ； Arizona State University（亚利桑那州立大学）
AI总结 本文提出MedExAgent，通过两阶段流程训练医疗诊断代理，结合合成对话和DAPO优化，实现高效诊断与成本控制。
TRAJGANR: Trajectory-Centric Urban Multimodal Learning via Geospatially Aligned Neural Representations
TRAJGANR: 通过地理对齐的神经表示进行轨迹导向的城市多模态学习
机构 * Google Research, Mountain View, CA（谷歌研究，山景城，加利福尼亚州） ； Google LLC, Mountain View, CA（谷歌公司，山景城，加利福尼亚州） ； Dept. of Computer Science, University of Southern California, Los Angeles, CA（计算机科学系，南加州大学，洛杉矶，加利福尼亚州） ； SEAI Lab, Dept. of Geography and the Environment, The University of Texas at Austin, Austin, TX（SEAI实验室，地理与环境系，德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯州）
AI总结 TRAJGANR提出一种新的多模态自监督学习框架，通过将连续移动模式与静态位置观察对齐，提升城市理解和移动任务的性能，优于现有方法。
TraXion: Rethinking Pre-training Frameworks for Mobility and Beyond
TraXion：重新思考移动性及其他领域的预训练框架
机构 * University of Southern California（南加州大学） ； Novateur Research Solutions（Novateur研究解决方案）
AI总结 本文提出TraXion框架，针对多实体时空事件流（MESES）的三个特性设计预训练目标和架构，在六个公开移动数据集上表现优异，并成功应用于企业认证日志和ICU死亡预测等不同领域。
Comments 31 pages, 2 figures
Muon with Nesterov Momentum: Heavy-Tailed Noise and (Randomized) Inexact Polar Decomposition
Muon与Nesterov动量：重尾噪声与（随机化）近似极分解
机构 * MBZUAI ； Penn State University（宾夕法尼亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Southern California（南加州大学）
AI总结 本文提出Muon算法结合Nesterov动量和近似极分解，针对非凸矩阵优化中的重尾噪声问题，建立了收敛理论并提供了高效随机低秩极分解方法。
Comments 33 pages, 4 figures, 1 table
Limitations on Accurate, Trusted, Human-level Reasoning
对准确、可信、人类水平推理的限制
机构 * Google Research（谷歌研究） ； University of Southern California（南加州大学）
AI总结 本文研究了准确、可信和人类水平推理在AI系统中的根本矛盾，证明了准确且可信的系统无法实现人类水平推理。
Comments 19 pages, 1 figure
