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

LiVeAction: a Lightweight, Versatile, and Asymmetric Neural Codec Design for Real-time Operation

LiVeAction：一种轻量、多功能且不对称的神经编解码器设计用于实时操作

Dan Jacobellis, Neeraja J. Yadwadkar

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

AI总结 本文提出LiVeAction神经编解码器，通过降低编码器复杂度和替换损失函数，提升率失真性能，适用于低功耗传感器。

Comments DCC 2026

Diffusion-Based Posterior Sampling: A Feynman-Kac Analysis of Bias and Stability

基于扩散的后验采样：偏倚与稳定性的费曼-科茨分析

Matias G. Delgadino, Sebastien Motsch, Advait Parulekar, William Porteous, Sanjay Shakkottai

机构 * Department of Mathematics, UT Austin（德克萨斯大学奥斯汀分校数学系） ； Department of Electrical and Computer Engineering, UT Austin（德克萨斯大学奥斯汀分校电气与计算机工程系） ； School of Mathematical and Statistical Sciences, Arizona State University（亚利桑那州立大学数学与统计科学学院） 纠错

AI总结 本文通过费曼-科茨分析，研究了基于扩散的后验采样器的偏倚与稳定性问题，揭示了采样路径与后验分布的关系，并提出改进方法以提高稳定性。

A Flow Matching Algorithm for Many-Shot Adaptation to Unseen Distributions

用于未知分布的多示例适应的流匹配算法

Tyler Ingebrand, Ruihan Zhao, Kushagra Gupta, David Fridovich-Keil, Sandeep P. Chinchali, Ufuk Topcu

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

AI总结 本文提出FP-FM算法，通过学习基函数生成速度场，实现对新分布的高效样本生成，且在未见过的分布上表现优异。

SuperFace: Preference-Aligned Facial Expression Estimation Beyond Pseudo Supervision

SuperFace：超越伪监督的偏好对齐面部表情估计

Zejian Kang, Xuanyang Xu, Wentao Yang, Kai Zheng, Yuanchen Fei, Hongyuan Zou, Hui Shan, Shuo Yang, Xiangru Huang

机构 * Zhejiang University（浙江大学） ； Westlake University（西lake大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Hunan University（湖南大学） ； Zhejiang University Shanghai Innovation Institute（浙江大学上海创新研究院） ； 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SuperFace框架，通过人类偏好反馈改进ARKit系数预测，提升面部动画的视觉真实性和表达性。

Multimodal Fact-Level Attribution for Verifiable Reasoning

多模态事实级归因用于可验证推理

David Wan, Han Wang, Ziyang Wang, Elias Stengel-Eskin, Hyunji Lee, Mohit Bansal

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MuRGAt基准，用于评估多模态事实归因能力，要求模型在复杂推理中生成明确推理和精确引用，揭示强模型在正确推理下仍易产生幻觉，且增加推理深度或结构化归因会降低准确性。

Comments Accepted to ICML 2026. Code and data are available at https://github.com/meetdavidwan/murgat

Disentangled Generative Graph Representation Learning

解耦生成图表示学习

Xinyue Hu, Zhibin Duan, Xinyang Liu, Yuxin Li, Bo Chen, Chaojie Wang, Yilin He, Hongwei Liu, Mingyuan Zhou

机构 * National Key Laboratory of Radar Signal Processing, Xidian University（雷达信号处理国家重点实验室，西安电子科技大学） ； Institute of Information Sensing, Xidian University（信息感知研究院，西安电子科技大学） ； McCombs School of Business, The University of Texas at Austin（德克萨斯大学奥斯汀分校麦克唐纳商学院） 纠错

AI总结 本文提出DiGGR框架，通过解耦学习潜在因素提升图表示的鲁棒性和可解释性，在两个图学习任务中优于现有方法。

Scaling Pretrained Representations Enables Label-Free Out-of-Distribution Detection Without Fine-Tuning

预训练表示的扩展实现了无需微调的无标签分布外检测

Brett Barkley, Preston Culbertson, David Fridovich-Keil

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Computer Science（计算机科学系） ； Cornell University（康奈尔大学） ； Department of Aerospace Engineering and Engineering Mechanics（航空航天工程与工程力学系） 纠错

AI总结 本文研究了通过扩展预训练表示实现无需微调的无标签分布外检测，展示了冻结表示的几何结构对检测性能的影响，证明了在不同任务中，表示质量提升可提高检测效果。

COPYCOP: Ownership Verification for Graph Neural Networks

COPYCOP：图神经网络的版权验证

Rahul Nandakumar, Deepayan Chakrabarti

机构 * McCombs School of Business（麦科姆斯商学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究提出COPYCOP算法，用于检测图神经网络间是否存在模仿关系，通过理论保证和实验验证其在多种数据集和架构上的准确性和鲁棒性。

MesonGS++: Post-training Compression of 3D Gaussian Splatting with Hyperparameter Searching

MesonGS++: 3D高斯散射的后训练压缩与超参数搜索

Shuzhao Xie, Junchen Ge, Weixiang Zhang, Jiahang Liu, Chen Tang, Yunpeng Bai, Shijia Ge, Jingyan Jiang, Yuzhi Huang, Fengnian Yang, Cong Zhang, Xiaoyi Fan, Zhi Wang

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； The Hong Kong University of Science and Technology（香港科技大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Shenzhen Technology University（深圳技术大学） ； Xiamen University（厦门大学） ； Simon Fraser University（西蒙弗雷泽大学） ； Jiangxing Intelligence Inc.（江兴智能有限公司） 纠错

AI总结 MesonGS++提出了一种基于超参数搜索的3D高斯散射后训练压缩方法，通过联合重要性剪枝、八叉树几何编码等技术，实现34倍压缩并保持渲染质量，优于现有方法并精准满足目标存储预算。

Comments https://github.com/mmlab-sigs/mesongs_plus

Sensoformer: Robust Sim-to-Real Inference on Variable-Geometry Sensor Sets via Physics-Structured Randomization

Sensoformer：通过物理结构化随机化实现变量几何传感器集的鲁棒仿真到现实推理

Zhe Jia, Xiaotian Zhang, Junpeng Li

机构 * Institute for Geophysics University of Texas at Austin（地质研究所德克萨斯大学奥斯汀分校） 纠错

AI总结 Sensoformer通过物理结构化随机化方法，解决稀疏传感器阵列在仿真到现实推理中的挑战，实现高维物理状态推断，并在地震源反演中展现优于MPNN和神经算子的性能。

A Forensic Analysis of Synthetic Data in RL: Diagnosing and Solving Algorithmic Failures in Model-Based Policy Optimization

对强化学习中合成数据的取证分析：诊断和解决基于模型的策略优化中的算法故障

Brett Barkley, David Fridovich-Keil

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Aerospace Engineering and Engineering Mechanics（航空航天工程与工程力学系） 纠错

AI总结 本文研究了基于模型的策略优化中合成数据导致性能下降的原因，提出FTFL方法修复算法故障，提升DMC任务性能并保持Gym表现。

GraphWeave: Interpretable and Robust Graph Generation via Random Walk Trajectories

GraphWeave：通过随机游走轨迹实现可解释且鲁棒的图生成

Rahul Nandakumar, Deepayan Chakrabarti

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

AI总结 GraphWeave通过分离模式生成与图构建，利用随机游走轨迹生成真实图，优于现有方法，尤其在大规模图结构上表现突出，且速度快。

Comments 18 pages, 4 figures. Accepted at ECML-PKDD 2025