University of Texas at Austin（得克萨斯大学奥斯汀分校）

Shape Derivative-Informed Neural Operators with Application to Risk-Averse Shape Optimization

具有形状导数信息的神经算子及其在风险规避形状优化中的应用

Xindi Gong, Dingcheng Luo, Thomas O'Leary-Roseberry, Ruanui Nicholson, Omar Ghattas

机构 * Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin, Austin, Texas, USA（奥登计算工程与科学研究所，德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯，美国） ； School of Mathematical Sciences, Queensland University of Technology, Brisbane, Australia（数学科学学院，昆士兰科技大学，布里斯班，澳大利亚） ； Centre for Data Science, Queensland University of Technology, Brisbane, Australia（数据科学中心，昆士兰科技大学，布里斯班，澳大利亚） ； Department of Mathematics, The Ohio State University, Columbus, Ohio, USA（数学系，俄亥俄州立大学，哥伦布，俄亥俄，美国） ； Department of Engineering Science and Biomedical Engineering, University of Auckland, Auckland, New Zealand（工程科学与生物医学工程系，奥克兰大学，奥克兰，新西兰） ； Walker Department of Mechanical Engineering, The University of Texas at Austin, Austin, Texas, USA（沃克机械工程系，德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯，美国） 纠错

AI总结 Shape-DINO通过导数信息驱动的神经算子框架，提升PDE约束下形状优化的效率和准确性，实现大规模不确定性下的形状优化。

Privacy Risk Predictions Based on Fundamental Understanding of Personal Data and an Evolving Threat Landscape

基于个人数据根本理解与演化的威胁景观的隐私风险预测

Haoran Niu, K. Suzanne Barber

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种基于身份生态系统图的隐私风险预测框架，通过分析身份盗窃和欺诈案例，利用图神经网络预测个人数据泄露的可能性。

Comments 13 pages, 10 figures, 1 table

Wasserstein Proximal Policy Gradient

基于Wasserstein几何的近端策略梯度方法

Zhaoyu Zhu, Shuhan Zhang, Rui Gao, Shuang Li

机构 * Zhiyuan College, Shanghai Jiao Tong University, Shanghai 200240, China（上海交通大学紫阳学院） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen, Guangdong, China（香港中文大学（深圳）数据科学学院） ； McCombs School of Business, The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校麦克拉姆商学院） 纠错

AI总结 WPPG通过Wasserstein几何视角提出一种无需计算策略对数密度或梯度的策略梯度方法，实现连续动作空间下的高效强化学习

LLM-MLFFN: Multi-Level Autonomous Driving Behavior Feature Fusion via Large Language Model

LLM-MLFFN: 通过大语言模型的多级自动驾驶行为特征融合

Xiangyu Li, Tianyi Wang, Xi Cheng, Rakesh Chowdary Machineni, Zhaomiao Guo, Sikai Chen, Junfeng Jiao, Christian Claudel

机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； Systems Engineering Program, Cornell University（康奈尔大学系统工程项目） ； Department of Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程系） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院） 纠错

AI总结 LLM-MLFFN通过大语言模型的多级特征融合提升自动驾驶行为分类的准确性和鲁棒性。

Using the SEKF to Transfer NN Models of Dynamical Systems with Limited Data

利用SEKF迁移动态系统神经网络模型以有限数据

Joshua E. Hammond, Tyler A. Soderstrom, Brian A. Korgel, Michael Baldea

机构 * McKetta Department of Chemical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校化学工程麦凯特部门） ； Energy Institute, The University of Texas at Austin（德克萨斯大学奥斯汀分校能源研究所） ； Texas Materials Institute, The University of Texas at Austin（德克萨斯大学奥斯汀分校材料研究所） ； Institute for Computational Engineering and Sciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算工程与科学研究所） 纠错

AI总结 本文提出利用SEKF迁移动态系统神经网络模型，以有限数据适应新系统，实验表明其能有效捕捉动态并降低计算成本。

Fine-Tuning Diffusion Models via Intermediate Distribution Shaping

通过中间分布塑形微调扩散模型

Gautham Govind Anil, Shaan Ul Haque, Nithish Kannen, Dheeraj Nagaraj, Sanjay Shakkottai, Karthikeyan Shanmugam

机构 * Google DeepMind（谷歌DeepMind） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 通过中间分布塑形提升扩散模型微调效果，改进文本到图像生成质量

Comments Accepted at ICLR 2026

Fast Estimation of Wasserstein Distances via Regression on Sliced Wasserstein Distances

通过回归切片Wasserstein距离快速估计Wasserstein距离

Khai Nguyen, Hai Nguyen, Nhat Ho

机构 * Department of Statistics and Data Sciences University of Texas at Austin（统计与数据科学系得克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出通过回归切片Wasserstein距离快速估计Wasserstein距离的方法，该方法在多种任务中表现出色，尤其在低数据情况下优于现有模型。

Comments Accepted to ICLR 2026, 34 pages, 30 figures, 6 tables