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

Reasoning or Rhetoric? An Empirical Analysis of Moral Reasoning Explanations in Large Language Models

推理还是修辞？对大型语言模型中道德推理解释的实证分析

Aryan Kasat, Smriti Singh, Aman Chadha, Vinija Jain

机构 * TCS AI Practice（TCS人工智能实践） ； UT Austin（德克萨斯大学奥斯汀分校） ； Amazon GenAI（亚马逊生成人工智能） ； Google GenAI（谷歌生成人工智能） 纠错

AI总结 研究通过分析LSTM对道德困境的回应，探讨其是否具备道德发展阶段的真正进展，发现其表现出后常规推理，且存在道德解耦现象，揭示了对成熟道德推理的修辞模仿。

Comments 32 pages, 34 figures, 7 tables

Auction-Based Task Allocation with Energy-Conscientious Trajectory Optimization for AMR Fleets

基于拍卖的任务分配与节能轨迹优化的自主机器人车队方案

Jiachen Li, Soovadeep Bakshi, Jian Chu, Shihao Li, Dongmei Chen

机构 * Department of Mechanical Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校机械工程系） 纠错

AI总结 本文提出一种分层两阶段框架，用于异步任务空间中的多机器人任务分配与轨迹优化，通过顺序拍卖和能量最小轨迹优化实现任务分配与路径规划，实验显示在不同地形条件下，距离和能量拍卖策略在能耗节省方面表现各异。

Generalization Limits of In-Context Operator Networks for Higher-Order Partial Differential Equations

上下文运算网络在高阶偏微分方程中的泛化极限

Jamie Mahowald, Tan Bui-Thanh

机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系） 纠错

AI总结 研究上下文运算网络在处理高阶偏微分方程时的泛化能力，扩展了基础模型处理微分方程的类型和范围，证明模型在复杂输入下仍能保持解的动力学和整体行为的定性准确性。

Comments 16 pages, 9 figures

Missingness Bias Calibration in Feature Attribution Explanations

特征归因解释中的缺失偏置校准

Shailesh Sridhar, Anton Xue, Eric Wong

机构 * University of Pennsylvania（宾夕法尼亚大学） ； 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MCal方法，通过轻量级后处理修正特征重要性评分中的缺失偏置，效果优于传统重训练方法。

SVBRD-LLM: Self-Verifying Behavioral Rule Discovery for Autonomous Vehicle Identification

SVBRD-LLM：自主车辆识别的自验证行为规则发现

Xiangyu Li, Tianyi Wang, Junfeng Jiao, Christian Claudel, Zhaomiao Guo

机构 * Fariborz Maseeh 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、建筑与环境工程学院） ； 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 本文提出SVBRD-LLM框架，通过零样本大语言模型提取可解释的行为规则，用于自主车辆识别，实现了90.0%的准确率和93.3%的F1分数。

Training-Free Layout-to-Image Generation with Marginal Attention Constraints

无需训练的布局到图像生成与边缘注意力约束

Huancheng Chen, Jingtao Li, Weiming Zhuang, Haris Vikalo, Lingjuan Lyu

机构 * Sony AI（索尼人工智能） ； 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MAC方法，无需额外模块或微调，通过边缘注意力约束优化潜在特征，提升布局生成的精确度和空间可控性。

Characterizing the onset and offset of motor imagery during passive arm movements induced by an upper-body exoskeleton

表征由上体外骨骼诱导的被动手臂运动期间的运动意象起始和结束

Kanishka Mitra, Frigyes Samuel Racz, Satyam Kumar, Ashish D. Deshpande, José del R. Millán

机构 * Chandra Department of Electrical and Computer Engineering, The University of Texas at Austin（查拉德电气与计算机工程系，德克萨斯大学奥斯汀分校） ； Department of Neurology, The University of Texas at Austin（神经病学系，德克萨斯大学奥斯汀分校） ； Walker Department of Mechanical Engineering, The University of Texas at Austin（沃克机械工程系，德克萨斯大学奥斯汀分校） 纠错

AI总结 本研究通过解码EEG信号，表征被动手臂运动期间的运动意象起始和结束，实现了对功能性运动的自然控制，展示了在噪声和被动运动下可靠的传感器运动节律。

Comments Accepted to IROS 2023. 6 pages, 6 figures. Project page available at https://mitrakanishka.github.io/projects/passive-arm-mi/

Journal ref 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2023, pp. 3789-3794

Sparse but not Simpler: A Multi-Level Interpretability Analysis of Vision Transformers

稀疏但不更简单：视觉转换器的多级可解释性分析

Siyu Zhang

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

AI总结 本文通过DeiT-III B/16模型评估了权重稀疏性与可解释性之间的关系，引入IMPACT框架分析四个层级，发现稀疏模型虽减少边数但节点活跃度无显著提升，表明稀疏性不必然提升可解释性。