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

ParaSpeechCLAP: A Dual-Encoder Speech-Text Model for Rich Stylistic Language-Audio Pretraining

ParaSpeechCLAP：面向丰富风格语言-音频预训练的双编码器语音-文本模型

Anuj Diwan, Eunsol Choi, David Harwath

机构 * Department of Computer Science, The University of Texas at Austin, USA（德克萨斯大学奥斯汀分校计算机科学系） ； Computer Science and Data Science, New York University, USA（纽约大学计算机科学与数据科学系） 纠错

AI总结 提出ParaSpeechCLAP双编码器模型，将语音与文本风格描述映射到共享嵌入空间，支持丰富内在和情境风格描述，在风格描述检索、属性分类及TTS奖励模型中优于基线。

Comments Interspeech 2026

Combinatorial Sparse PCA Beyond the Spiked Identity Model

超越尖峰恒等模型的组合稀疏PCA

Syamantak Kumar, Purnamrita Sarkar, Kevin Tian, Peiyuan Zhang

机构 * UT Austin（德克萨斯大学奥斯汀分校） ； UW Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 针对稀疏PCA问题，提出首个在一般协方差矩阵下可证明成功的组合方法，基于截断幂方法的变体，使用s^2·polylog(d)样本和d^2·poly(s,log(d))时间，并推广到稀疏主导特征空间恢复。

Comments 36 pages, 6 figures; accepted to ICML 2026

Task-Agnostic Federated Continual Learning via Replay-Free Gradient Projection

无重放梯度投影的任务无关联邦持续学习

Seohyeon Cha, Huancheng Chen, Haris Vikalo

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） 纠错

AI总结 提出FedProTIP框架，通过随机奇异值分解提取客户端共享任务子空间，并利用梯度投影减少任务间干扰，实现无重放、任务无关的联邦持续学习。

SHIELD: Safety on Humanoids via CBFs In Expectation on Learned Dynamics

SHIELD: 基于学习动力学期望的控制障碍函数实现人形机器人安全

Lizhi Yang, Blake Werner, Ryan K. Cosner, David Fridovich-Keil, Preston Culbertson, Aaron D. Ames

机构 * Mechanical and Civil Engineering, California Institute of Technology（加州理工学院机械与土木工程系） ； Aerospace Engineering and Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

AI总结 提出SHIELD框架，通过训练随机动力学残差模型并利用随机离散时间CBF在概率上保证安全，为黑箱RL控制器添加最小侵入式安全层，在Unitree G1人形机器人上实现安全导航。

Comments Accepted to the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025). Copyright transferred to IEEE. Video at https://youtu.be/-Qv1wR4jfj4

AlgoSimBench: Identifying Algorithmically Similar Problems for Competitive Programming

AlgoSimBench: 识别算法相似问题的竞赛编程基准

Jierui Li, Raymond Mooney

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

AI总结 提出AlgoSimBench基准，通过对抗性设计的多选题评估大语言模型识别算法相似问题的能力，并引入尝试解决方案匹配方法提升准确率。

Comments 14 pages, accepted to IJCAI 2026

DataMIL: Selecting Data for Robot Imitation Learning with Datamodels

DataMIL: 使用数据模型为机器人模仿学习选择数据

Shivin Dass, Alaa Khaddaj, Logan Engstrom, Aleksander Madry, Andrew Ilyas, Roberto Martín-Martín

机构 * UT Austin（得克萨斯大学） ； MIT（麻省理工学院） ； Stanford University（斯坦福大学） 纠错

AI总结 提出DataMIL框架，基于数据模型端到端选择对任务性能提升最大的数据点，避免基于人类质量标准的过滤，通过替代损失函数避免环境交互，在60+模拟和真实操作任务中验证了有效性。