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

Amortized Optimal Transport from Sliced Potentials

切片最优传输中的平均最优传输

Minh-Phuc Truong, Khai Nguyen

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Hanoi University of Science and Technology（河内科学技术大学） 纠错

AI总结 本文提出了一种新的平均优化方法，通过利用切片最优传输的Kantorovich势来预测多个测度对之间的最优传输计划。引入了基于回归的平均（RA-OT）和基于目标的平均（OA-OT）策略，通过回归模型和优化双重目标估计Kantorovich势，提高重复最优传输问题的效率和准确性。

Comments 26 pages, 11 figures, 10 tables

Lil-Bevo: Explorations of Strategies for Training Language Models in More Humanlike Ways

Lil-Bevo：探索以更人性化方式训练语言模型的策略

Venkata S Govindarajan, Juan Diego Rodriguez, Kaj Bostrom, Kyle Mahowald

机构 * Department of Linguistics（语言学系） ； Department of Computer Science（计算机科学系） ； 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Lil-Bevo，通过音乐数据预训练、短序列先训练及特定token掩码等策略，探索更人性化的语言模型训练方法，但效果仍低于大模型。

Comments Proceedings of the BabyLM Challenge

Journal ref Proceedings of the BabyLM Challenge at the 27th Conference on Computational Natural Language Learning 2023

Counterfactual Probing for the Influence of Affect and Specificity on Intergroup Bias

反事实探测用于情感和特异性对群体偏见的影响

Venkata S Govindarajan, Kyle Mahowald, David I. Beaver, Junyi Jessy Li

机构 * Department of Linguistics（语言学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文通过反事实探测研究情感和特异性如何影响群体偏见，发现神经模型在预测群体关系标签时可靠使用情感，但特异性的使用不明确。

Comments To appear in Findings of ACL 2023

Journal ref Findings of the Association for Computational Linguistics: ACL 2023

How people talk about each other: Modeling Generalized Intergroup Bias and Emotion

人们如何谈论彼此：建模一般化的群体偏见和情感

Venkata S Govindarajan, Katherine Atwell, Barea Sinno, Malihe Alikhani, David I. Beaver, Junyi Jessy Li

机构 * Department of Linguistics, The University of Texas at Austin（德克萨斯大学奥斯汀分校语言学系） ； Department of Computer Sciences, University of Pittsburgh（匹兹堡大学计算机科学系） ； Department of Political Science, Rutgers University（罗格斯大学政治学系） 纠错

AI总结 本文探讨了群体偏见的广义建模，通过细粒度的人际情感预测人际关系，构建了首个标注人际情感的英文推文数据集，展示了神经模型在识别偏见方面的优越性能。

Comments To be presented at EACL 2023

Journal ref Proceedings of the 17th Conference of the European Chapter of the Association for Computational Linguistics 2023

Help! Need Advice on Identifying Advice

帮助！需要关于如何识别建议的建议

Venkata Subrahmanyan Govindarajan, Benjamin T Chen, Rebecca Warholic, Katrin Erk, Junyi Jessy Li

机构 * Department of Linguistics, The University of Texas at Austin（德克萨斯大学奥斯汀分校语言学系） ； Amazon Inc.（亚马逊公司） ； McGill University（麦吉尔大学） 纠错

AI总结 本文提出一个包含两个Reddit论坛的英文数据集，用于识别帖子中是否包含建议，分析发现建议 discourse 中存在丰富的语言现象，初步模型显示预训练语言模型在识别建议方面优于基于规则的系统，但识别仍具挑战性。

Comments EMNLP 2020

Journal ref Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP)

Reinforcement Learning via Value Gradient Flow

通过价值梯度流进行强化学习

Haoran Xu, Kaiwen Hu, Somayeh Sojoudi, Amy Zhang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出价值梯度流（VGF）方法，通过最优传输问题解决行为正则化的强化学习问题，实现大规模生成模型的可扩展性，并在离线强化学习和大语言模型强化学习任务中取得最佳性能。

Comments ICLR 2026

The AI Research Assistant: Promise, Peril, and a Proof of Concept

人工智能研究助手：前景、危险与概念验证

Tan Bui-Thanh

机构 * Department of Aerospace Engineering & Engineering Mechanics, and Oden Institute for Computational Engineering & Sciences, University of Texas at Austin（航空航天工程与工程力学系，奥登计算工程与科学研究所，德克萨斯大学奥斯汀分校） 纠错

AI总结 本文通过案例研究探讨人工智能在数学研究中的应用，展示人类与AI协作发现新误差表示和界限的方法，指出AI在代数运算和证明探索中的优势及需人类监督的局限。

Comments 11 pages

CaptionQA: Is Your Caption as Useful as the Image Itself?

CaptionQA: 你的描述是否和它所代表的图像一样有用？

Shijia Yang, Yunong Liu, Bohan Zhai, Ximeng Sun, Zicheng Liu, Emad Barsoum, Manling Li, Chenfeng Xu

机构 * Advanced Micro Devices, Inc.（先进微器件公司） ； Stanford University（斯坦福大学） ； Independent Researcher（独立研究者） ； Northwestern University（西北大学） ； UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 CaptionQA通过评估生成描述在下游任务中的实用性，揭示了图像与描述之间的效用差距，涵盖四个领域，包含25个顶级和69个子类别，提供33,027个密集标注的多选问题。

Survey of Deep Learning and Physics-Based Approaches in Computational Wave Imaging

计算波成像中深度学习与物理基础方法的综述

Youzuo Lin, Shihang Feng, James Theiler, Yinpeng Chen, Umberto Villa, Jing Rao, John Greenhall, Cristian Pantea, Mark A. Anastasio, Brendt Wohlberg

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） ； Google DeepMind（谷歌DeepMind） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of New South Wales（新南威尔士大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

AI总结 本文综述了计算波成像中传统物理方法与深度学习方法的结合，探讨了其在提高分辨率和准确性的应用，以及深度学习在解决计算波成像问题中的新进展。

Comments 34 pages, 16 figures