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

RRCM: Ranking-Driven Retrieval over Collaborative and Meta Memories for LLM Recommendation

RRCM：基于协作和元记忆的排序驱动检索用于LLM推荐

Shijun Li, Wooseong Yang, Yu Wang, Tianxin Wei, Joydeep Ghosh

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Capital One AI Foundations（Capital One AI基金会） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 RRCM通过排序驱动的检索与推理框架，解决LLM推荐中构建相关上下文的挑战，利用自然语言表示的协作和元记忆，实现灵活的证据获取，提升推荐质量。

Learning Material-Aware Hamiltonian Risk Fields for Safe Navigation

学习材料感知的哈密顿风险场以实现安全导航

Aditya Sai Ellendula, Yi Wang, Chandrajit Bajaj

机构 * Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Oden Institute, University of Texas at Austin（德克萨斯大学奥斯汀分校奥登学院） 纠错

AI总结 本文提出一种基于材料感知的哈密顿风险场方法，通过引入上下文能量项，实现安全导航中的风险选择性控制，实验验证了其在不同场景下的有效性。

TRAJGANR: Trajectory-Centric Urban Multimodal Learning via Geospatially Aligned Neural Representations

TRAJGANR: 通过地理对齐的神经表示进行轨迹导向的城市多模态学习

Maria Despoina Siampou, Gengchen Mai, Ni Lao, Jinmeng Rao, Neha Arora, Cyrus Shahabi, Shushman Choudhury

机构 * Google Research, Mountain View, CA（谷歌研究，山景城，加利福尼亚州） ； Google LLC, Mountain View, CA（谷歌公司，山景城，加利福尼亚州） ； Dept. of Computer Science, University of Southern California, Los Angeles, CA（计算机科学系，南加州大学，洛杉矶，加利福尼亚州） ； SEAI Lab, Dept. of Geography and the Environment, The University of Texas at Austin, Austin, TX（SEAI实验室，地理与环境系，德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯州） 纠错

AI总结 TRAJGANR提出一种新的多模态自监督学习框架，通过将连续移动模式与静态位置观察对齐，提升城市理解和移动任务的性能，优于现有方法。

When Descent Is Too Stable: Event-Triggered Hamiltonian Learning to Optimize

当下降过于稳定时：事件触发的哈密顿学习优化

Yi Wang, Chandrajit Bajaj

机构 * Oden Institute（奥登研究所） ； 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） 纠错

AI总结 本文提出SHAPE算法，通过事件触发机制在局部信息下优化，平衡下降、探索与预算分配，提升非凸优化性能。

Belief Memory: Agent Memory Under Partial Observability

信念记忆：在部分可观测性下的智能体记忆

Junfeng Liao, Qizhou Wang, Jianing Zhu, Bo Du, Rui Yan, Xiuying Chen

机构 * MBZUAI ； RIKEN AIP ； UT Austin ； Wuhan University（武汉大学） 纠错

AI总结 本文提出BeliefMem，通过保留多个候选结论及其概率，解决智能体在部分可观测环境中记忆的不确定性问题，实验证明其在LoCoMo和ALFWorld基准上表现优异。

Testing Noise Assumptions of Learning Algorithms

检验学习算法的噪声假设

Surbhi Goel, Adam R. Klivans, Konstantinos Stavropoulos, Arsen Vasilyan

机构 * University of Pennsylvania（宾夕法尼亚大学） ； UT Austin（得克萨斯大学） 纠错

AI总结 本文提出一种高效测试训练集是否符合给定噪声模型假设的方法，首次解决了该问题，并展示了在高斯边际分布下半空间学习的可测试学习算法。

Comments 45 pages, Best Paper Award at Reliable ML workshop at NeurIPS 2025, Accepted to COLT 2026