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

SE3Kit: A Lightweight Python Library for Specialized Geometric Primitives in Robotics

SE3Kit: 一个用于机器人学中专用几何原语的轻量级Python库

Daniyal Maroufi, Omid Rezayof, Farshid Alambeigi

机构 * Walker Department of Mechanical Engineering and Texas Robotics at The University of Texas at Austin（德克萨斯大学奥斯汀分校机械工程系和德克萨斯机器人学院） 纠错

AI总结 本文提出SE3Kit，一个轻量级Python库，专注于特殊欧几里得群SE(3)和特殊正交群SO(3)上的高效运算，提供严格的数学实现，适用于嵌入式部署、快速原型设计和教育。

Behavior-Consistent Deep Reinforcement Learning

行为一致的深度强化学习

Marcel Hussing, Liv G. d'Aliberti, Claas Voelcker, Benjamin Eysenbach, Eric Eaton

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Princeton University（普林斯顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种行为一致的深度强化学习方法，通过控制策略的分布相似性来减少跨训练运行的策略分歧，从而提高稳定性和性能。

Dooly: Configuration-Agnostic, Redundancy-Aware Profiling for LLM Inference Simulation

Dooly: 一种配置无关、冗余感知的LLM推理模拟器

Joon Ha Kim, Geon-Woo Kim, Anoop Rachakonda, Daehyeok Kim

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Dooly，一种能够忽略配置差异并高效处理冗余的LLM推理模拟器，通过单次推理过程和智能标签传播减少冗余 profiling 耗时，提升模拟精度和效率。

Spectral Dynamics in Deep Networks: Feature Learning, Outlier Escape, and Learning Rate Transfer

深度网络中的谱动力学：特征学习、异常值逃逸和学习率转移

Clarissa Lauditi, Cengiz Pehlevan, Blake Bordelon

机构 * John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰A·保罗森工程与应用科学学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究学院） ； Center for Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； Oden Institute for Computational Engineering and Sciences & Dept. of Neuroscience, UT Austin（得克萨斯大学奥斯汀分校奥登计算工程与科学学院及神经科学系） 纠错

AI总结 本文研究了在宽神经网络中通过（随机）梯度下降训练时隐藏权重谱的演变，提出了一种双层动态平均场理论（DMFT）来联合跟踪具有尖峰集合的隐藏权重谱动态，其中尖峰方向在随机体上保持统计依赖性。该框架应用于两种设置：（1）无限宽度非线性网络在均值场/μP缩放下，以及（2）深度线性网络在比例高维极限下。理论预测了异常值如何随训练时间、宽度、输出尺度和初始化方差演变。在深度线性网络中，μP产生与宽度一致的异常值动态和超参数转移，包括主导NTK模式向稳定性边缘（EoS）的宽度稳定增长。相比之下，NTK参数化表现出强烈依赖宽度的异常值动态，尽管收敛到一个稳定的宽网络极限。我们展示了这种体+异常值图像是描述简单任务的，但涉及大量输出的任务（如ImageNet分类或GPT语言建模）则更适合通过重构谱体来描述。我们开发了一个具有大量输出通道的玩具模型，重现了这一现象，并展示了足够宽的网络下谱边缘仍会收敛。

Comments Updating related works + discussion

When Is Rank-1 Steering Cheap? Geometry, Granularity, and Budgeted Search

当秩-1引导廉价时是什么情况？几何学、粒度和预算化搜索

John T. Robertson, Jianing Zhu, Haris Vikalo, Zhangyang Wang

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

AI总结 本文研究了秩-1引导在不同概念上的有效性差异，提出粒度和几何学是影响引导成本的关键因素，并介绍了GRACE框架来高效优化引导过程。

Comments Updated Abstract metadata