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

Transition-Related Potentials as Markers of Narrative Comprehension in Continuous EEG

作为连续脑电图中叙事理解标记的转换相关电位

Bálint Csanády, Péter Vedres, Kristóf Zsolt Makó, Orsolya Papp-Zipernovszky, Márta Volosin, Dávid Apagyi, András Lukács, András Bálint Kovács, Zoltan Nadasdy

机构 * ELTE Eötvös Loránd University（埃尔特大学） ； Budapest University of Technology（布达佩斯技术大学） ； HUN-REN Wigner Research Centre for Physics（HUN-REN威金物理研究所） ； Semmelweis University（塞梅尔维斯大学） ； University of Miskolc（米什科尔茨大学） ； University of Szeged（塞格德大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 研究利用连续脑电图探索叙事理解，提取与电影转换对齐的电位，发现转换相关电位受叙事背景影响，可用深度神经网络从连续记录中恢复，为分析观众理解电影叙事提供半自动框架，还可用于其他连续刺激。

Comments 40 pages, 14 figures

Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering

超越情节性评估：序列式具身问答中的内存架构瓶颈

Zikui Cai, Kaushal Janga, Tan Dat Dao, Seungjae Lee, Shivin Dass, Mingyo Seo, Kaiyu Yue, Mintong Kang, Nandhu Pillai, Monte Hoover, Aadi Palnitkar, Ruchit Rawal, Ruijie Zheng, Bo Li, Yuke Zhu, Roberto Martín-Martín, Tom Goldstein, Furong Huang

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 研究序列式具身问答中不同内存架构表现，发现仅保留现有记忆不足，短视情节数据训练的智能体有时间不匹配问题。强调结构化、基于空间记忆的必要性，实验表明其能打破准确性-效率权衡，对真实机器人连续智能操作至关重要。

Comments Accepted to IROS 2026

Dimension-Free Convergence of Discrete Diffusion Models: Adjoint Equations Induce the Right Space

离散扩散模型的维度无关收敛性：伴随方程诱导了正确的空间

Kelvin Kan, Xingjian Li, Benjamin J. Zhang, Tuhin Sahai, Stanley Osher, Markos A. Katsoulakis

机构 * Department of Mathematics（数学系） ； Oden Institute School of Data Science and Society（数据科学与社会学院） ； UCLA（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Computational and Applied Sciences Group（计算与应用科学组） ； Department of Mathematics and Statistics（数学与统计学系） ； SRI International（SRI国际） ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 本文提出了一种基于伴随方程的统一框架，实现了任何积分概率度量（IPM）下的维度无关收敛保证，克服了传统KL和TV方法在处理大规模状态空间时的局限性。

Playing Along: Learning a Double-Agent Defender for Belief Steering via Theory of Mind

扮演：通过理论思维学习双代理守护者以实现信念引导

Hanqi Xiao, Vaidehi Patil, Zaid Khan, Hyunji Lee, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； 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ToM-SB挑战，通过强化学习训练双代理模型以提升信念引导和理论思维能力，结果显示结合两者奖励的模型在对抗任务中表现更优。

Comments First two authors contributed equally. Code: https://github.com/The-Inscrutable-X/AIDoubleAgentDefenders

PILD: Physics-Informed Learning via Diffusion

PILD：通过扩散进行物理引导学习

Tianyi Zeng, Tianyi Wang, Jiaru Zhang, Zimo Zeng, Feiyang Zhang, Yiming Xu, Sikai Chen, Junfeng Jiao, Christian Claudel, Xinbo Chen

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； The University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校） ； Zhejiang University, Hangzhou, Zhejiang, China（浙江大学） ； Tongji University, Shanghai, China（同济大学） ； University of Wisconsin-Madison, Madison, WI, USA（威斯康星大学麦迪逊分校） 纠错

AI总结 PILD通过引入虚拟残差观测和条件嵌入模块，结合物理约束与扩散模型，提升工程和科学任务中生成模型的准确性、稳定性和泛化能力。

Comments 34 pages, 13 figures, 14 tables