University of Southern California（南加州大学）

On the Effects of Measurement Uncertainty in Optimal Control of Contact Interactions

关于测量不确定性在接触相互作用最优控制中的影响

Brahayam Ponton, Stefan Schaal, Ludovic Righetti

机构 * Max-Planck Institute for Intelligent Systems, Tuebingen-Germany（图灵智能研究所，图宾根-德国） ； University of Southern California, Los Angeles-USA（南加州大学，洛杉矶-美国） 纠错

AI总结 本文研究了在机器人应用中，接触相互作用的不确定性不仅来自过程模型的噪声，还来自对世界知识的不精确，提出了一种基于风险敏感控制的SOC算法，通过引入观测器动态来显式依赖当前测量不确定性，仿真结果显示测量不确定性导致低阻尼行为，与过程噪声导致的刚性行为形成对比。

Comments 17 pages, 5 figures - this version is the one published at WAFR 2016 to fulfill the open access requirements of the EU commission, please refer to the previous version for the complete derivation of the algorithm

A second order primal-dual method for nonsmooth convex composite optimization

一种用于非光滑凸复合优化的二阶对偶方法

Neil K. Dhingra, Sei Zhen Khong, Mihailo R. Jovanović

机构 * Numerica Corporation（Numerica公司） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出了一种二阶对偶方法，用于求解目标函数为强凸二次可微项与可能非可微凸正则化项之和的优化问题。通过引入辅助变量，利用非光滑正则化项的近似算子将增强拉格朗日函数转换为一次但非二次连续可微的函数，其鞍点对应于原始优化问题的解。进一步开发了全局收敛的定制算法，利用对偶增强拉格朗日函数作为 merit 函数，并证明了搜索方向可高效计算且具有二次/超线性渐近收敛性。

Comments 32 pages, 8 figures

Interactive Differentiable Simulation

交互式可微分模拟

Eric Heiden, David Millard, Hejia Zhang, Gaurav S. Sukhatme

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

AI总结 本文提出交互式可微分模拟（IDS），一种能够高效准确推断刚体系统物理属性的可微分物理引擎，通过视觉输入实现系统识别，从而建立具有物理意义的世界模型，并在非线性动态系统中实现自动任务机器人设计和参数估计，显著提升了非线性控制领域的样本效率。

Proximal algorithms for large-scale statistical modeling and sensor/actuator selection

大规模统计建模和传感器/执行器选择的近端算法

Armin Zare, Hesameddin Mohammadi, Neil K. Dhingra, Tryphon T. Georgiou, Mihailo R. Jovanović

机构 * Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California（南加州大学明希赫电子与计算机工程系） ； Numerica Corporation（Numerica公司） 纠错

AI总结 本文提出了一种统一的近端算法框架，用于解决大规模系统建模与控制中的正则化半定规划问题，通过近端方法实现了对统计建模和传感器/执行器选择的高效处理，展示了算法的线性收敛性和有效性。

Comments To appear in IEEE Trans. Automat. Control

Robotic Wireless Sensor Networks

机器人无线传感器网络

Pradipta Ghosh, Andrea Gasparri, Jiong Jin, Bhaskar Krishnamachari

机构 * University of Southern California（南加州大学） ； Università degli studi "Roma Tre"（罗马三大学） ； Swinburne University of Technology（斯winburne技术大学） 纠错

AI总结 本文综述了机器人与无线传感器网络交叉领域的新兴研究领域，探讨了多机器人系统在满足通信性能要求的同时实现传感目标的协同控制、学习和适应方法，并指出现有文献中存在的一些研究空白和未来研究方向。

Hop: Heterogeneity-Aware Decentralized Training

Hop：异质性感知的去中心化训练

Qinyi Luo, Jinkun Lin, Youwei Zhuo, Xuehai Qian

机构 * University of Southern California（南加州大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出Hop，首个考虑异质性的去中心化训练协议，通过引入迭代间隙这一独特特性，提出基于队列的同步机制以实现备份工作者和有限滞后，同时通过跳过迭代来缓解确定性延迟，实验表明在异质环境中相比标准去中心化训练有显著加速。

Satyam: Democratizing Groundtruth for Machine Vision

Satyam: 机器视觉领域地面真实数据的民主化

Hang Qiu, Krishna Chintalapudi, Ramesh Govindan

机构 * University of Southern California（南加州大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出Satyam系统，通过简化流程使非专业人员能够高效收集机器视觉的地面真实数据，从而提升自动驾驶、交通监控和视频监控系统的性能。

Policy Design for Active Sequential Hypothesis Testing using Deep Learning

使用深度学习的主动顺序假设检验政策设计

Dhruva Kartik, Ekraam Sabir, Urbashi Mitra, Prem Natarajan

机构 * USC Information Sciences Institute（美国南加州大学信息科学研究所） 纠错

AI总结 本文研究了如何利用深度学习设计更有效的主动顺序假设检验策略，通过比较新提出的启发式方法与现有方法，展示了在某些场景下性能的显著提升。

Comments Accepted at 56th Annual Allerton Conference on Communication, Control, and Computing

Reasoning about Safety of Learning-Enabled Components in Autonomous Cyber-physical Systems

关于自主机电系统中学习组件安全性的推理

Cumhur Erkan Tuncali, James Kapinski, Hisahiro Ito, Jyotirmoy V. Deshmukh

机构 * Toyota Research Institute of North America（丰田北美研究院） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出基于模拟的方法生成屏障证书函数，用于验证包含神经网络控制器的机电系统安全性。通过线性规划求解器从随机初始状态获得的模拟轨迹中找到候选生成函数，并利用SMT求解器验证其安全性。

Comments Invited paper in conference: Design Automation Conference (DAC) 2018

Graph Learning from Filtered Signals: Graph System and Diffusion Kernel Identification

基于滤波信号的图学习：图系统与扩散核识别

Hilmi E. Egilmez, Eduardo Pavez, Antonio Ortega

机构 * Department of Electrical Engineering, University of Southern California（电气工程系，南加州大学） 纠错

AI总结 本文提出一种新的图信号处理框架，用于从滤波信号类中构建图模型。通过将图建模问题转化为图系统识别问题，学习加权图（图拉普拉斯矩阵）和图滤波器（图拉普拉斯矩阵函数）。算法能从多信号观测中联合识别图和图滤波器，适用于学习扩散核，并在真实气候数据集上验证了其有效性。

Comments Submitted to IEEE Trans. on Signal and Information Processing over Networks (13 pages)

Distributed Solution of Large-Scale Linear Systems via Accelerated Projection-Based Consensus

通过加速投影共识解决大规模线性系统

Navid Azizan-Ruhi, Farshad Lahouti, Salman Avestimehr, Babak Hassibi

机构 * California Institute of Technology（加州理工学院） ； University of Southern California（南加州大学） 纠错

AI总结 本文提出加速分布式共识算法，用于解决大规模线性系统，通过在每个迭代中更新解决方案并结合动量平均，优于梯度下降、Nesterov加速梯度下降、重力球方法和ADMM等方法。

Intelligent Fault Analysis in Electrical Power Grids

电力电网的智能故障分析

Biswarup Bhattacharya, Abhishek Sinha

机构 * Department of Computer Science University of Southern California（计算机科学系 美国南加州大学） ； Adobe Systems Incorporated（Adobe系统公司） 纠错

AI总结 本文提出利用人工智能技术，通过形式化模型和机器学习方法检测电网健康状况，提升电网稳定性与安全性。

Comments In proceedings of the 29th IEEE International Conference on Tools with Artificial Intelligence (ICTAI) 2017 (full paper); 6 pages; 13 figures

Robotic Message Ferrying for Wireless Networks using Coarse-Grained Backpressure Control

用于无线网络的机器人信息中继：基于粗粒度背压控制

Shangxing Wang, Andrea Gasparri, Bhaskar Krishnamachari

机构 * Dept. of Electrical Engineering, University of Southern California, Los Angeles, CA（电气工程系，南加州大学，洛杉矶，CA） 纠错

AI总结 本文研究了机器人在无线网络中中继信息的容量区域，提出粗粒度背压中继算法，通过优化匹配实现稳定传输，证明在可控移动下可实现常数容量并保证有限延迟。

Value-Aware Stochastic KV Cache Eviction for Reasoning Models

面向推理模型的价值感知随机KV缓存淘汰

Ting-Yun Chang, Harvey Yiyun Fu, Deqing Fu, Chenghao Yang, Jesse Thomason, Robin Jia

机构 * University of Southern California（南加州大学） ； University of Chicago（芝加哥大学） 纠错

AI总结 针对推理模型长输出导致的KV缓存瓶颈，提出价值感知随机淘汰方法VaSE，通过保护大幅度值状态和引入随机性，在4倍压缩下比最强淘汰方法准确率提升超4%。

Comments Codes: https://github.com/terarachang/VaSE

MOSAIC: Efficient Mixture-of-Agent Scheduling via Adaptive Aggregation and Inference Concurrency

MOSAIC: 通过自适应聚合和推理并发的高效混合智能体调度

Saptarshi Mitra, Yifan Zhang, Rachid Karami, Phyo Pyae Moe Aung, Nazmul Takbir, Sreetama Sarkar, Souvik Kundu, Sitao Huang

机构 * University of California, Irvine, USA（加州大学 Irvine 分校） ； University of Southern California, Los Angeles, USA（南加州大学洛杉矶分校） ； Intel, USA（英特尔公司） 纠错

AI总结 针对混合智能体系统在有限GPU资源下的负载不均衡问题，提出基于整数线性规划调度器和置信度感知自适应聚合的MOSAIC框架，实现最高2.5倍专家阶段、4.23倍聚合阶段和1.7~2.3倍端到端加速，精度损失在0.1个百分点内。

Comments 13 pages, 8 main pages

Memory Retrieval for Changing Preferences

针对偏好变化的记忆检索

Yuehan Qin, Li Li, Linxin Song, Wei Yang, Jiate Li, Yuqing Yang, Yue Zhao

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

AI总结 提出基于贝叶斯因子的统一框架，通过量化历史轮次对潜在偏好状态的证据强度，实现长上下文对话系统中的记忆访问与选择。

Rethinking the Role of Positional Encoding: Sliding-Window Transformers without PE Remain Turing Complete

重新思考位置编码的作用：无PE的滑动窗口Transformer仍具图灵完备性

Qian Li, Xinyu Mao, Shang-Hua Teng

机构 * Shenzhen Research Institute of Big Data（深圳大数据研究院） ； University of Southern California（南加州大学） 纠错

AI总结 本文证明，在滑动窗口机制下，无需位置编码的Transformer仍可通过窗口演化模拟图灵完备的Post机器，从而具备通用计算能力。

Latent Activation Editing: Inference-Time Refinement of Learned Policies for Safer Multirobot Navigation

潜在激活编辑：基于推理时策略精炼的安全多机器人导航

Satyajeet Das, Darren Chiu, Zhehui Huang, Lars Lindemann, Gaurav S. Sukhatme

机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Automatic Control Laboratory, ETH Zürich（苏黎世联邦理工学院自动控制实验室） 纠错

AI总结 提出潜在激活编辑（LAE）框架，通过在推理时在线检测并编辑中间激活，在不修改权重或架构的情况下降低预训练策略的碰撞率，在四旋翼导航中实现近90%的碰撞减少。

On the Combinatorial Multi-Armed Bandit Problem with Markovian Rewards

关于马尔可夫奖励的组合多臂老虎机问题

Yi Gai, Bhaskar Krishnamachari, Mingyan Liu

机构 * Ming Hsieh Department of Electrical Engineering University of Southern California（明斯海德电气工程系 美国南加州大学） 纠错

AI总结 针对用户-资源匹配中状态演化为马尔可夫链的组合多臂老虎机问题，提出一种多项式存储和每步多项式复杂度的学习算法，实现接近对数时间的遗憾界。

The Non-Bayesian Restless Multi-Armed Bandit: A Case of Near-Logarithmic Strict Regret

非贝叶斯不安分多臂老虎机：近对数严格遗憾的一个案例

Wenhan Dai, Yi Gai, Bhaskar Krishnamachari, Qing Zhao

机构 * Department of Aeronautics ； Astronautics Massachusetts Institute of Technology, Cambridge, MA 02139, USA Ming Hsieh Department of Electrical Engineering University of Southern California, Los Angeles, CA 90089, USA Department of Electrical ； Computer Engineering University of California, Davis, CA 95616, USA Email 纠错

AI总结 针对非贝叶斯不安分多臂老虎机问题，提出一种元策略方法，通过学习有限策略集中的最优策略，实现近对数遗憾，并首次在非贝叶斯RMAB中达到与已知模型最优策略相同的平均奖励。

Comments arXiv admin note: significant text overlap with arXiv:1011.4752

RoboDream: Compositional World Models for Scalable Robot Data Synthesis

RoboDream: 用于可扩展机器人数据合成的组合世界模型

Junjie Ye, Rong Xue, Basile Van Hoorick, Runhao Li, Harshitha Rajaprakash, Pavel Tokmakov, Muhammad Zubair Irshad, Vitor Guizilini, Yue Wang

机构 * USC Physical Superintelligence (PSI) Lab（USC物理超智能实验室） ； Toyota Research Institute（丰田研究院） 纠错

AI总结 提出一种以具身为中心的组合世界模型，通过将轨迹执行与环境合成解耦，实现从新视角、新场景和新物体中合成逼真演示数据，并展示其在数据扩展和减少真实数据需求方面的有效性。

Comments Project page: https://junjieye.com/RoboDream/

LongLive-RAG: A General Retrieval-Augmented Framework for Long Video Generation

LongLive-RAG: 一种用于长视频生成的通用检索增强框架

Qixin Hu, Shuai Yang, Wei Huang, Song Han, Yukang Chen

机构 * NVIDIA ； USC（美国大学） ； MIT（麻省理工学院） 纠错

AI总结 提出LongLive-RAG框架，通过将自回归视频生成中的历史潜变量作为可检索记忆，利用查询嵌入检索相关历史潜变量并引入窗口时间增量损失，以减轻滑动窗口注意力导致的误差累积，提升长视频生成质量。

Comments 20 pages, 7 figures, 4 tables

Accelerating Min-Max Optimization via Power-Law Stepsizes

通过幂律步长加速极小极大优化

Yue Wu, Weiqiang Zheng, Yang Cai, Haipeng Luo

机构 * University of Southern California（南加州大学） ； Yale University（耶鲁大学） 纠错

AI总结 本文提出确定性动态步长调度，将外梯度方法的最后迭代收敛率从Θ(T^{-1/2})加速到O(T^{-2/3+ε})，并通过分离外推和更新步长进一步达到近最优的O(T^{-1+ε})。

Comments 56 pages

Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing

Dr. DocBench：专家级与困难文档解析的综合基准

Minglai Yang, Xinyan Velocity Yu, Pengyuan Li, Xinyu Guo, Zhenting Qi, Konwoo Kim, Longtian Ye, Xiaolong Luo, Jinhe Bi, Henry Zhang, Haris Riaz, Xuan Zhang, Yunze Xiao, Bangya Liu, Tom Tang, Yunfei Zhao, Qunshu Lin, Zihan Wang, Minghao Liu, Michael Lingzhi Li, Yilun Du, Jesse Thomason, Rogerio Feris, Alex Pentland, Zexue He

机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Southern California（南加州大学） ； Harvard University（哈佛大学） ； IBM Research（IBM研究院） ； University of Arizona（亚利桑那大学） ； Duke University（杜克大学） ； UC Berkeley（加州大学伯克利分校） ； LMU Munich（慕尼黑路德维希-马克西米利安大学） 纠错

AI总结 提出Dr. DocBench基准，通过基于解析器失败的采样从多语言书籍语料库中选取挑战性文档，包含52个BISAC主题领域和65k高质量标注，用于评估专家级文档解析能力。

Comments 27 pages, 13 figures, 14 tables

3DCodeBench: Benchmarking Agentic Procedural 3D Modeling Via Code

3DCodeBench：通过代码进行智能体程序化3D建模的基准测试

Yipeng Gao, Lei Shu, Genzhi Ye, Xi Xiong, Ameesh Makadia, Meiqi Guo, Laurent Itti, Jindong Chen

机构 * Google DeepMind（谷歌DeepMind） ； University of Southern California（南加州大学） ； Google Research（谷歌研究） 纠错

AI总结 提出3DCodeBench基准，评估12种视觉语言模型将文本和图像参考转换为程序化3D建模代码的能力，并构建基于人类偏好的3DCodeArena排名平台。

Comments Project Page: https://www.3dcodebench.com/; 11 pages (main), with appendix

Accuracy, Stability, and Repeated-Run Reliability of Large Language Models on Deterministic Programming Tasks

大型语言模型在确定性编程任务上的准确性、稳定性和重复运行可靠性

Yongxi Zhou, Lai Yun Choi, Jiaxi Wen, Wenbo Ye

机构 * Northeastern University, Massachusetts, USA（东北大学，马萨诸塞州，美国） ； University of Southern California, California, USA（南加州大学，加利福尼亚州，美国） 纠错

AI总结 通过重复运行评估协议，发现运行级通过率高估了无重试覆盖率高达17.8个百分点，且差距在中等性能系统中最大，表明稳定性分析是准确性报告的必要补充。

GEO-Bench: Benchmarking Ranking Manipulation in Generative Engine Optimization

GEO-Bench: 生成式引擎优化中的排名操纵基准测试

Ojas Nimase, Zhe Chen, Gengpei Qi, Yue Zhao, Xiyang Hu

机构 * University of Southern California（南加州大学） ； Arizona State University（亚利桑那州立大学） 纠错

AI总结 提出GEO-Bench基准，统一评估生成式引擎优化中的排名操纵攻击，比较黑盒提示攻击、白盒梯度攻击和白帽策略的有效性与隐蔽性。

SilentDrift: Exploiting Action Chunking for Stealthy Backdoor Attacks on Vision-Language-Action Models

SilentDrift: 利用动作分块对视觉-语言-动作模型进行隐蔽后门攻击

Bingxin Xu, Yuzhang Shang, Binghui Wang, Emilio Ferrara

机构 * University of Southern California（南加州大学） ； University of Central Florida（中央佛罗里达大学） ； Illinois Institute of Technology（伊利诺伊理工学院） 纠错

AI总结 针对视觉-语言-动作模型中的动作分块与增量位姿表示导致的视觉开环漏洞，提出一种利用平滑步函数构建满足C2连续扰动的隐蔽黑盒后门攻击方法SilentDrift，并通过关键帧攻击策略实现高攻击成功率与低中毒率。

Comments Accepted to ACL Findings 2026

Optimizing Diversity and Quality through Base-Aligned Model Collaboration

通过基座对齐模型协作优化多样性与质量

Yichen Wang, Chenghao Yang, Tenghao Huang, Muhao Chen, Jonathan May, Mina Lee

机构 * University of Chicago（芝加哥大学） ； University of Southern California, Information Sciences Institute（南加州大学信息科学研究所） ； University of California, Davis（加州大学戴维斯分校） 纠错

AI总结 提出基座对齐模型协作框架（BACo），在推理时通过令牌级路由策略动态结合基座LLM与其对齐版本，以单次前向传递同时提升生成多样性和质量。

Comments ICML 2026. (47 pages, 22 figures)

Skill Reuse as Compression in Agentic RL

智能体强化学习中的技能重用作为压缩

Zhikun Xu, Yu Feng, Jacob Dineen, Taiwei Shi, Jieyu Zhao, Ben Zhou

机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） 纠错

AI总结 提出ReuseRL方法，基于最小描述长度原则将成功轨迹压缩为可重用技能字典，并通过分割代价惩罚低效编码行为，在多个环境中提升分布内和分布外成功率。

Comments Work in progress