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

Exact Symmetry as Algebra: A Machine-Verified Tensor Calculus that Enforces Physical Selection Rules

群代数张量：可证明最优的等变学习与物理对称性发现

Paulina Hoyos, Shashanka Ubaru, Dongsung Huh, Vasileios Kalantzis, Kenneth L. Clarkson, Misha Kilmer, Haim Avron, Lior Horesh

机构 * UT Austin（得克萨斯大学奥斯汀分校） ； IBM Research（IBM研究院） ； Independent（独立） ； Tufts University（塔夫茨大学） ； Tel-Aviv University（特拉维夫大学） 纠错

AI总结 本文提出了一种群代数张量框架，通过将有限群G的乘法规则引入张量代数，使等变性成为代数属性而非架构限制。该框架基于三个理论支柱：(i) Eckart-Young最优性保证的星G-SVD；(ii)通过Kronecker分解组合多个对称性；(iii)600行的Lean4形式化证明。该框架提供了等变神经网络无法实现的能力：每个预测的闭式分解和数据驱动发现最佳对称群。在QM9分子几何上，通过八面体子群恢复角动量选择规则，展示了数据驱动的物理发现。

SENSE: Efficient EEG-to-Text via Privacy-Preserving Semantic Retrieval

SENSE：通过隐私保护的语义检索实现高效的EEG到文本

Akshaj Murhekar, Christina Liu, Abhijit Mishra, Shounak Roychowdhury, Jacek Gwizdka

机构 * School of Information, The University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） 纠错

AI总结 SENSE通过本地语义检索和提示语言生成，实现无需微调LLM的EEG到文本转换，提升效率并保护隐私。

Comments Accepted to ACM International Conference on Multimodal Interaction 2026

Gated Adaptation for Continual Learning in Human Activity Recognition

门控适应用于人体活动识别中的持续学习

Reza Rahimi Azghan, Gautham Krishna Gudur, Mohit Malu, Edison Thomaz, Giulia Pedrielli, Pavan Turaga, Hassan Ghasemzadeh

机构 * Arizona State University（亚利桑那州立大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出一种基于通道级门控调制的持续学习框架，通过特征选择而非生成来减少HAR中的遗忘，提升准确率并降低参数训练量。