Normalizing Flows on Quotient Manifolds via Boundary Quotients
通过边界商在商流形上的归一化流
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出边界商框架，用于在作为更简单域边界商的流形上学习密度，并构造离散群作用下的商流形上的归一化流，在亏格g曲面和透镜空间上验证了有效性。
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
Mining Attribute Subspaces for Efficient Fine-tuning of 3D Foundation Models
挖掘属性子空间以实现3D基础模型的高效微调
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Shanghai Jiao Tong University（上海交通大学） ； Adobe Research（Adobe研究） ； Google Research（谷歌研究）
AI总结 本文通过生成合成数据并提取与纹理、几何、相机运动和光照变化相关的LoRA子空间，发现这些子空间近似解耦，集成后形成降维子空间，从而提高下游任务微调的效率和预测精度。
Comments 10 pages, 8 figures. Code here: https://github.com/jpppppppppppppppppppppppp/Subspaces-Mining-for-VGGT
LLM-guided Hierarchical Search for End-to-end Reasoning Intensive Retrieval
LLM引导的层次化搜索用于端到端推理密集型检索
机构 * UT Austin（得克萨斯大学） ； UCLA（加州大学洛杉矶分校） ； Google（谷歌）
AI总结 本文提出LATTICE，一种无需嵌入模型的LLM引导层次化搜索方法，通过LLM构建搜索索引并校准路径聚合遍历，在推理密集型基准上达到与最优微调集成基线相当的性能。
HiSpec: Hierarchical Speculative Decoding for LLMs
HiSpec: 分层推测解码用于大语言模型
机构 * Department of Electrical and Computer Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校电子与计算机工程系）
AI总结 提出HiSpec框架，利用早期退出模型进行低开销中间验证，通过重用键值缓存和隐藏状态提高吞吐量，平均加速1.28倍，最高2.01倍，且不损失准确性。
LAD-VF: LLM-Automatic Differentiation Enables Fine-Tuning-Free Robot Planning from Formal Methods Feedback
LAD-VF：LLM自动微分实现基于形式化方法反馈的无微调机器人规划
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of São Paulo（圣保罗大学） ； Texas A&M University（德克萨斯A&M大学） ； SylphAI
AI总结 提出LAD-VF框架，利用形式化验证反馈和LLM自动微分自动优化提示词，无需微调即可提升机器人规划任务中规范符合率，成功率从60%提升至90%以上。
Comments Presented at ICRA 2026
AgentHijack: Benchmarking Computer Use Agent Robustness to Common Environment Corruptions
AgentHijack：基准测试计算机使用智能体对常见环境干扰的鲁棒性
机构 * TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sydney AI Centre, The University of Sydney（悉尼大学 AI 中心） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 提出AgentHijack基准，通过9种可配置的常见环境干扰评估多模态大语言模型驱动的计算机使用智能体的鲁棒性，并设计AgentHijack-Agent框架提升其抗干扰能力。
Comments accepted by ICML 2026
Relative Repairability: A Calibration-Based Diagnostic for High-Sparsity Post-Pruning Allocation
相对可修复性：一种基于校准的高稀疏度剪枝后分配诊断方法
机构 * Marquette University（马凯特大学） ； Tongji University（同济大学） ； Cornell University（康奈尔大学） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 提出相对可修复性（RR）指标，通过校准数据比较层剪枝引起的原始激活失真与通道方差匹配修复后的残余失真，用于诊断高稀疏度下剪枝损伤的可修复性，实验表明其在架构依赖的可恢复性转变区域优于现有分配规则。
Factored Latent Action World Models
因子化潜在动作世界模型
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出因子化潜在动作模型（FLAM），通过将场景分解为独立因子并学习各自的潜在动作，提升了无动作视频中多实体动态建模的准确性和视频生成质量。
IV-Net: A neural network for elliptic PDEs with random and highly varying coefficients
IV-Net: 用于随机和高变系数椭圆型偏微分方程的神经网络
机构 * Oden Institute for Computational Science and Engineering, The University of Texas at Austin（计算科学与工程院，德克萨斯大学奥斯汀分校） ； Walker Department of Mechanical Engineering, The University of Texas at Austin（机械工程系，德克萨斯大学奥斯汀分校）
AI总结 提出一种受V-cycle多重网格求解器启发的神经算子架构IV-Net，用于逼近高对比度空间变系数线性椭圆型偏微分方程的解，在高度异质系数问题上优于POD和现有神经算子，在光滑系数低频振荡Helmholtz问题上与Fourier神经算子性能相当。
Comments 36 pages
DBPnet: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Wheel Load Estimation
DBPnet：基于阻尼特性的贝叶斯物理信息神经网络用于车轮载荷估计
机构 * Department of Civil, Architectural, and Environmental Engineering, The University of Texas at Austin（德克萨斯大学奥斯汀分校土木、建筑与环境工程系） ； School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院） ； School of Automotive Studies, Tongji University（同济大学汽车学院） ； School of Architecture, The University of Texas at Austin（德克萨斯大学奥斯汀分校建筑学院） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系）
AI总结 提出DBPnet，一种结合阻尼特性嵌入模块的贝叶斯物理信息神经网络，通过悬架连杆级建模和物理信息损失函数，实现鲁棒的车轮载荷估计。
Comments 14 pages, 12 figures, 6 tables
Understanding the Impact of Geometric Foundation Models on Vision-Language-Action Models
理解几何基础模型对视觉-语言-动作模型的影响
机构 * Amazon Personal Robotics Group（亚马逊个人机器人小组） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文通过线性探测分析量化了视觉-语言-动作模型（VLA）与几何基础模型（GFM）之间的“几何差距”，比较了三种注入几何信息的架构，并研究了非架构因素对几何VLA性能的影响。
Deep ZakaiJ: Structured Filtering for Jump-Diffusion Time Series Forecasting
Deep ZakaiJ：用于跳跃扩散时间序列预测的结构化滤波
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 提出Deep ZakaiJ模型，将Zakai非线性滤波方程嵌入神经编码器-解码器架构，通过Strang分裂实现隐状态信念更新，用于部分观测的跳跃扩散系统，在合成、金融和海洋数据集上改进了分布预测并保持点精度竞争力。
Fine-Tuning Language Models to Know What They Know
微调语言模型使其了解自身所知
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cognizant AI Lab（认知人工智能实验室）
AI总结 本文提出一种框架，通过进化策略对齐方法（ESMA）在控制偏差的同时提升大语言模型的元认知能力，并在未见数据集、语言和新知识上展现出鲁棒泛化性。
Comments Preprint
Fast and Robust Diffusion Posterior Sampling for MR Image Reconstruction Using the Preconditioned Unadjusted Langevin Algorithm
使用预条件未调整朗之万算法实现快速且鲁棒的MR图像重建扩散后验采样
机构 * Institute of Biomedical Imaging, Graz University of Technology, Graz, Austria ； Department of Radiology, Boston Children's Hospital, Harvard Medical School, Boston, USA ； Chandra Family Department of Electrical Engineering, University of Texas at Austin, USA ； Department of Diagnostic Medicine, Dell Medical School, University of Texas at Austin, USA
AI总结 针对MR图像重建中扩散后验采样速度慢和参数调优问题，提出基于预条件未调整朗之万算法的精确似然方法，实现快速收敛且无需调参的鲁棒采样。
Comments Submitted to Magnetic Resonance in Medicine
Global $\mathcal{L}^2$ minimization at uniform exponential rate via geometrically adapted gradient descent in Deep Learning
全局 $\mathcal{L}^2$ 最小化：通过深度学习中的几何自适应梯度下降实现均匀指数速率
机构 * Department of Mathematics, University of Texas at Austin（德克萨斯大学奥斯汀分校数学系）
AI总结 本文利用微分几何中黎曼度量的任意性，提出两种改进的梯度下降流（过参数化和欠参数化设置），在秩条件成立时证明其以均匀指数收敛速率驱动 $\mathcal{L}^2$ 代价到全局最小值，并推广到秩条件不成立的情形。
Comments AMS Latex, 21 pages. Typos corrected, references and comments added
AERIC: Anticipatory Hidden-State Monitoring for Implicit Harmful Dialogue
AERIC：面向隐式有害对话的预期性隐藏状态监控
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出AERIC方法，利用生成器的隐藏状态进行同路径监控，通过短期危害预测、支持敏感抑制和提示条件残差评分，在轻量级线性监控器（仅387个可训练参数）上实现对隐式有害对话的早期检测，显著提升AUROC并降低延迟。
Scene Abstraction for Lexical Semantics: Structured Representations of Situated Meaning
词汇语义的场景抽象：情境意义的结构化表示
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
AI总结 提出场景抽象框架，通过少样本提示大语言模型构建词汇使用情境的结构化表示，实验证明场景可可靠识别且优于基线方法。
Test-Time Graph Search for Goal-Conditioned Reinforcement Learning
测试时图搜索用于目标条件强化学习
机构 * Department of Computer Science, University of Toronto, Toronto, Canada（多伦多大学计算机科学系） ； Vector Institute, Toronto, Canada（向量研究所） ； University of Texas at Austin, Austin, USA（德克萨斯大学奥斯汀分校） ； Harvard University, Cambridge, USA（哈佛大学）
AI总结 提出测试时图搜索方法，通过构建离线数据集图并自适应选择子目标，在不额外训练的情况下显著提升目标条件强化学习在长时域任务中的成功率。
Fine-Tuning Masked Diffusion for Provable Self-Correction
微调掩码扩散以实现可证明的自校正
机构 * Harvard University（哈佛大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Kempner Institute（凯姆纳研究所）
AI总结 提出PRISM方法，通过轻量级模型无关的重新掩码策略，在掩码扩散模型中实现可证明的自校正，无需强化学习或验证器，提升低质量令牌检测与修正能力。
Comments Authorship statement: Jaeyeon Kim and Seunggeun Kim contributed equally, and Taekyun Lee is also a co first author
Training-Free Looped Transformers
免训练循环Transformer
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出一种免训练的循环Transformer方法，通过在推理时循环冻结检查点的连续中间块层来提升性能，无需微调或架构更改。
Linear Regression with Unknown Truncation Beyond Gaussian Features
未知截断下的线性回归：超越高斯特征
机构 * UT Austin（德克萨斯大学奥斯汀分校） ； Stanford University（斯坦福大学） ； Yale University（耶鲁大学）
AI总结 针对未知生存集的截断线性回归问题，提出首个多项式时间算法，仅要求特征向量为次高斯分布。
Evaluating PhaseNet on Teleseismic Data with MsPASS
使用 MsPASS 评估 PhaseNet 在远震数据上的表现
机构 * Texas Advanced Computing Center, The University of Texas at Austin（德克萨斯高级计算中心，德克萨斯大学奥斯汀分校） ； Department of Earth and Atmospheric Sciences, Indiana University, Bloomington, IN 47405（地球与大气科学系，印第安纳大学，印第安纳波利斯，IN 47405）
AI总结 针对 PhaseNet 在远震信号上性能下降的问题，提出基于 MsPASS 的可重现工作流，通过训练新模型将 P 波拾取召回率提升 741.5%，并分析模型规模对精度和吞吐量的影响。
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
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）
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
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）
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
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
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
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）
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
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
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
Adaptive Signal Resuscitation: Channel-wise Post-Pruning Repair for Sparse Vision Networks
自适应信号复苏：用于稀疏视觉网络的通道级后剪枝修复
机构 * Department of Mathematical and Statistical Sciences, Marquette University（马歇尔大学数学与统计科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cornell Ann S. Bowers College of Computing and Information Science, Cornell University（康奈尔大学安·S·博尔斯计算与信息科学学院）
AI总结 本文提出了一种无需训练的通道级修复方法ASR，用于解决高稀疏度下因后剪枝修复粒度不匹配导致的精度下降问题，通过估计每个输出通道的方差匹配修正并结合数据驱动的收缩规则，提升稀疏视觉网络的性能。
Sliced-Regularized Optimal Transport
切片正则化最优传输
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种新的正则化最优传输（OT）方法，称为切片正则化最优传输（SROT）。与熵正则化最优传输（EOT）不同，SROT将正则化方向指向平滑的切片最优传输（SOT）计划。我们提供了SROT的正式定义，推导了其对偶形式，并提供了SROT的后贝叶斯解释。然后，我们开发了一种类似Sinkhorn的算法，以高效计算，保留与EOT相同的可扩展性优势。通过将可扩展的SOT计划作为先验，SROT在相同正则化水平下比EOT更准确地近似了精确的OT计划。此外，所得到的传输计划优于参考的SOT计划本身。我们还引入了由SROT引起的相应的OT分歧度，称为SROT分歧度，并分析了其拓扑和计算性质。最后，我们通过合成数据集和颜色传输任务的实验验证了我们的方法，证明SROT在近似精确OT方面优于EOT和SOT。额外的梯度流实验进一步突显了SROT分歧度的优势。
Comments 22 pages, 8 figures, 1 table
AVSD: Adaptive-View Self-Distillation by Balancing Consensus and Teacher-Specific Privileged Signals
AVSD：通过平衡共识和教师特定的特权信号实现自适应视图自蒸馏
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Capital One（Capital One公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出AVSD，一种通过平衡共识和教师特定的特权信号来实现自适应视图自蒸馏的方法，以解决自蒸馏中教师和学生信息不对称和特权信息选择的问题。
Comments Code: https://github.com/duykhuongnguyen/AVSD
