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

Multi-Fidelity Flow Matching: Cascaded Refinement of PDE Solutions

多保真度流匹配：参数PDE解的级联细化

Sipeng Chen, Junliang Liu, Hewei Tang, Shibo Li

机构 * Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系） ； Department of Materials Science and Engineering, Florida State University（佛罗里达州立大学材料科学与工程系） ； Hildebrand Department of Petroleum and Geosystems Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校石油与地质系统工程系） 纠错

AI总结 本文提出多保真度流匹配方法，通过级联细化技术提升PDE解的精度，利用低保真度解指导高保真度解生成，优化了残差校准与流匹配训练几何。

Comments 27 pages, 2 figures, 7 tables. Preprint

MaxSketch: Robust Distinct Counting in Streams via Random Projections

MaxSketch：通过随机投影在数据流中实现鲁棒的唯一计数

Nikos Tsikouras, Constantine Caramanis, Christos Tzamos

机构 * National and Kapodistrian University of Athens（希腊国家与卡波迪斯蒂亚纳大学） ； Archimedes, Athena Research Center（阿提卡研究中心） ； 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MaxSketch，利用随机高斯投影在高维噪声数据流中实现鲁棒的唯一计数，证明在几何结构下可将内存需求降低至~O(log n / ε²)。

$ϕ$-Balancing for Mixture-of-Experts Training

$ϕ$-平衡用于专家混合训练

Lizhang Chen, Jonathan Li, Qi Wang, Runlong Liao, Shuozhe Li, Chen Liang, Ni Lao, Qiang Liu

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

AI总结 本文提出$ϕ$-平衡框架，通过最小化严格凸、对称且可导的潜在函数，实现专家资源的群体平衡，优于现有启发式方法，在大规模预训练和下游微调中表现更稳定有效。

ODRPO: Ordinal Decompositions of Discrete Rewards for Robust Policy Optimization

ODRPO：离散奖励的序分解以实现鲁棒策略优化

Nirmal Patel, Fei Wang, Inderjit S. Dhillon

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

AI总结 本文提出ODRPO框架，通过将离散奖励分解为序二进制指标，减少噪声影响，提升策略优化鲁棒性，实验表明在Qwen2.5-7B和Qwen3-4B模型上表现优异。

Efficiently Solving Mixed-Hierarchy Games with Quasi-Policy Approximations

高效求解混合层级游戏的准策略近似方法

Hamzah Khan, Dong Ho Lee, Jingqi Li, Tianyu Qiu, Christian Ellis, Jesse Milzman, Wesley Suttle, David Fridovich-Keil

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； U.S. Army Research Laboratory（美国陆军研究实验室） 纠错

AI总结 本文研究了多机器人森林结构混合层级游戏，通过推导KKT条件并引入准策略近似方法，提出了一种求解高阶导数的非精确牛顿法，证明了在非二次目标和非线性约束下的局部指数收敛性。

ViewBridge: Curriculum Knowledge Distillation for Activity View-Invariance Under Extreme Viewpoint Changes

ViewBridge：用于极端视角变化下的活动视角不变性的课程知识蒸馏

Arjun Somayazulu, Efi Mavroudi, Changan Chen, Lorenzo Torresani, Kristen Grauman

机构 * UT Austin（得克萨斯大学奥斯汀分校） ； Meta AI ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） 纠错

AI总结 本文提出ViewBridge框架，通过课程学习和知识蒸馏方法，在严重视角遮挡下学习丰富的视频表示，提升了极端视角变化下的活动识别性能。

TrainMover: An Interruption-Resilient Runtime for ML Training

TrainMover: 一种具有中断容错能力的机器学习训练运行时

ChonLam Lao, Jiaqi Gao, Jiamin Cao, Zhipeng Zhang, Pengcheng Zhang, Jiangfei Duan, Zhilong Zheng, Yu Guan, Yichi Xu, Yong Li, Zhengping Qian, Aditya Akella, Minlan Yu, Ennan Zhai, Dennis Cai, Jingren Zhou

机构 * Harvard University（哈佛大学） ； Alibaba Group（阿里巴巴集团） ； UT Austin（得克萨斯大学奥斯汀分校） 纠错

AI总结 TrainMover通过弹性与备用机器处理中断，实现最小停机时间和零内存开销，减少GPU浪费时间达55%。

Comments 14 pages body, 19 pages total