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

Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models

利用扩散生成模型优化压缩感知MRI的采样模式

Sriram Ravula, Brett Levac, Yamin Arefeen, Ajil Jalal, Alexandros G. Dimakis, Jonathan I. Tamir

机构 * Chandra Family Department of Electrical and Computer Engineering, The University of Texas at Austin（查德拉家族电子与计算机工程系，德克萨斯大学奥斯汀分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Imaging Physics, MD Anderson Cancer Center, Houston, Texas, USA（影像物理，MD安德森癌症中心，休斯顿，德克萨斯州，美国） ； Electrical Engineering and Computer Sciences, University of California, Berkeley（电气工程与计算机科学，加州大学伯克利分校） ； Department of Diagnostic Medicine, Dell Medical School, Austin, Texas, USA（诊断医学系，德勒医学学院，奥斯汀，德克萨斯州，美国） 纠错

AI总结 本文提出利用扩散模型优化MRI采样模式，以提高加速多通道MRI重建的质量。

3D-Printed Anisotropic Soft Magnetic Coating for Directional Rolling of a Magnetically Actuated Capsule Robot

3D打印各向异性软磁涂层用于磁驱动胶囊机器人定向滚动

Jin Zhou, Chongxun Wang, Zikang Shen, Fangzhou Xia

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

AI总结 本研究提出一种3D打印的各向异性软磁涂层胶囊机器人，通过磁性涂层替代传统磁体，实现定向滚动和稳定移动，为微创医疗应用提供新的解决方案。

Comments Submitted for review at IEEE/ASME Advanced Intelligenet Mechatronics Conference (2026)

LUCID: Attention with Preconditioned Representations

LUCID：带有预条件表示的注意力

Sai Surya Duvvuri, Nirmal Patel, Nilesh Gupta, Inderjit S. Dhillon

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

AI总结 LUCID通过预条件表示改进注意力机制，提升长上下文检索任务性能，尤其在BABI Long和RULER任务中表现更优。

Copyright Detective: A Forensic System to Evidence LLMs Flickering Copyright Leakage Risks

版权侦探：一种用于证据LLM闪烁版权泄露风险的取证系统

Guangwei Zhang, Jianing Zhu, Cheng Qian, Neil Gong, Rada Mihalcea, Zhaozhuo Xu, Jingrui He, Jiaqi Ma, Yun Huang, Chaowei Xiao, Bo Li, Ahmed Abbasi, Dongwon Lee, Heng Ji, Denghui Zhang

机构 * Pine AI ； 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） ； Duke University（杜克大学） ； University of Michigan（密歇根大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Notre Dame（圣母大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

AI总结 Copyright Detective 是一种交互式系统，用于检测和可视化LLM输出中的版权风险，通过整合多种检测方法实现系统性审计。

TABES: Trajectory-Aware Backward-on-Entropy Steering for Masked Diffusion Models

TABES: 轨迹感知的熵反向引导用于掩码扩散模型

Shreshth Saini, Avinab Saha, Balu Adsumilli, Neil Birkbeck, Yilin Wang, Alan C. Bovik

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

AI总结 TABES通过梯度引导的反向熵方法，提升掩码扩散模型的推理效率和生成鲁棒性。

Autoregressive Ranking: Bridging the Gap Between Dual and Cross Encoders

自回归排序：在双编码器和交叉编码器之间架起桥梁

Benjamin Rozonoyer, Chong You, Michael Boratko, Himanshu Jain, Nilesh Gupta, Srinadh Bhojanapalli, Andrew McCallum, Felix Yu

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Google Research（谷歌研究院） ； 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SToICaL损失，通过项级再加权和前缀树边际化，提升LLM在排序任务中的表现，证明ARR在表达能力上优于双编码器。

Comments 22 pages, 5 figures

ChartMuseum: Testing Visual Reasoning Capabilities of Large Vision-Language Models

ChartMuseum: 测试大型视觉-语言模型的视觉推理能力

Liyan Tang, Grace Kim, Xinyu Zhao, Thom Lake, Wenxuan Ding, Fangcong Yin, Prasann Singhal, Manya Wadhwa, Zeyu Leo Liu, Zayne Sprague, Ramya Namuduri, Bodun Hu, Juan Diego Rodriguez, Puyuan Peng, Greg Durrett

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

AI总结 ChartMuseum通过评估复杂视觉和文本推理能力，揭示了大型视觉-语言模型在视觉推理上的不足。

Comments NeurIPS 2025 Datasets & Benchmarks

CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation

CHIP：通过回顾扰动实现人形机器人适应性合规性控制

Sirui Chen, Zi-ang Cao, Zhengyi Luo, Fernando Castañeda, Chenran Li, Tingwu Wang, Ye Yuan, Linxi "Jim" Fan, C. Karen Liu, Yuke Zhu

机构 * NVIDIA ； Stanford University（斯坦福大学） ； UT Austin（得克萨斯大学奥斯汀分校） 纠错

AI总结 CHIP通过回顾扰动实现人形机器人可控的末端执行器刚度，无需额外调优即可完成多种力量操作任务。

Comments The first two authors contributed equally. Project page: https://nvlabs.github.io/CHIP/

LLMs and people both learn to form conventions -- just not with each other

大语言模型和人类都学会形成惯例——但并不是彼此之间

Cameron R. Jones, Agnese Lombardi, Kyle Mahowald, Benjamin K. Bergen

机构 * Department of Psychology, Stony Brook University（心理学系，石溪大学） ； Department of Cognitive Science, University of California San Diego（认知科学系，加州圣地亚哥大学） ； Department of Philology, Literature, and Linguistics, University of Pisa（philology、文学与语言学系，比萨大学） ； Department of Linguistics, University of Texas at Austin（语言学系，德克萨斯大学奥斯汀分校） 纠错

AI总结 研究发现人类和AI在同类型对话中能形成惯例，但人机对话效果较差，表明对话协调需要共同的解释偏见。

Comments 10 pages, 4 figures

Which course? Discourse! Teaching Discourse and Generation in the Era of LLMs

哪门课程？对话！在LLM时代教授对话与生成

Junyi Jessy Li, Yang Janet Liu, Kanishka Misra, Valentina Pyatkin, William Sheffield

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Pittsburgh（匹兹堡大学） ； Allen Institute for AI（人工智能 Allen 研究所） 纠错

AI总结 本文提出一门新课程，旨在通过对话处理与生成技术，整合语言学与计算机科学理论，培养本科生的探索性思维。

Comments accepted to the TeachNLP 2026 workshop (co-located with EACL 2026), camera-ready, 14 pages; aclpubcheck fixed and ref updated

Improving Online-to-Nonconvex Conversion for Smooth Optimization via Double Optimism

通过双乐观性改进在线到非凸转换以实现平滑优化

Francisco Patitucci, Ruichen Jiang, Aryan Mokhtari

机构 * Department of Electrical and Computer Engineering, The University of Texas at Austin（电气与计算机工程系，德克萨斯大学奥斯汀分校） ； Google Research（谷歌研究） 纠错

AI总结 本文提出了一种基于双乐观提示函数的在线乐观梯度方法，解决了非凸优化中在线到非凸转换框架的局限性，实现了统一的算法复杂度。

Comments 32 pages

Fast Model Selection and Stable Optimization for Softmax-Gated Multinomial-Logistic Mixture of Experts Models

快速模型选择与稳定优化的softmax门控多项式-对数混合专家模型

TrungKhang Tran, TrungTin Nguyen, Md Abul Bashar, Nhat Ho, Richi Nayak, Christopher Drovandi

机构 * School of Computing, National University of Singapore, Singapore.（新加坡国立大学计算机学院） ； ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems（细胞系统数学分析卓越研究中心） ； School of Mathematical Sciences, Queensland University of Technology, Brisbane, Australia.（昆士兰科技大学数学科学学院） ； Department of Statistics and Data Science, University of Texas at Austin, Austin, USA（德克萨斯大学奥斯汀分校统计与数据科学系） 纠错

AI总结 本文提出了一种基于softmax门控多项式-对数混合专家模型的快速模型选择与稳定优化方法，通过批量MM算法和树状图适应技术，实现了高效的模型训练和参数恢复。

Comments TrungKhang Tran and TrungTin Nguyen are co-first authors

DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos

DreamDojo：从大规模人类视频中学习通用机器人世界模型

Shenyuan Gao, William Liang, Kaiyuan Zheng, Ayaan Malik, Seonghyeon Ye, Sihyun Yu, Wei-Cheng Tseng, Yuzhu Dong, Kaichun Mo, Chen-Hsuan Lin, Qianli Ma, Seungjun Nah, Loic Magne, Jiannan Xiang, Yuqi Xie, Ruijie Zheng, Dantong Niu, You Liang Tan, K. R. Zentner, George Kurian, Suneel Indupuru, Pooya Jannaty, Jinwei Gu, Jun Zhang, Jitendra Malik, Pieter Abbeel, Ming-Yu Liu, Yuke Zhu, Joel Jang, Linxi "Jim" Fan

机构 * NVIDIA ； HKUST（香港科技大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； KAIST（韩国科学技术院） ； UofT（多伦多大学） ； UCSD（加州大学圣地亚哥分校） ； UT Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 DreamDojo通过大规模人类视频学习通用机器人世界模型，解决动作标签稀缺问题，实现高精度物理理解和实时交互。

Comments Project page: https://dreamdojo-world.github.io/

LL-ViT: Edge Deployable Vision Transformers with Look Up Table Neurons

LL-ViT：具有查找表神经元的边缘部署视觉变换器

Shashank Nag, Alan T. L. Bacellar, Zachary Susskind, Anshul Jha, Logan Liberty, Aishwarya Sivakumar, Eugene B. John, Krishnan Kailas, Priscila M. V. Lima, Neeraja J. Yadwadkar, Felipe M. G. Franca, Lizy K. John

机构 * Department of Electrical and Computer Engineering, The University of Texas at Austin（电气与计算机工程系，德克萨斯大学奥斯汀分校） ； The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； Federal University of Rio de Janeiro（里约热内卢联邦大学） ； Instituto de Telecomunicações（电信研究所） 纠错

AI总结 LL-ViT通过集成LUT神经元设计，优化视觉变换器在边缘设备上的部署，实现模型压缩和高效推理。

Comments Accepted for FPT 2025, 9 pages, conference

Journal ref 2025 International Conference on Field Programmable Technology (ICFPT)

ShapeGaussian: High-Fidelity 4D Human Reconstruction in Monocular Videos via Vision Priors

ShapeGaussian: 通过视觉先验在单目视频中实现高保真的4D人体重建

Zhenxiao Liang, Ning Zhang, Youbao Tang, Ruei-Sung Lin, Qixing Huang, Peng Chang, Jing Xiao

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

AI总结 ShapeGaussian通过整合无模板的视觉先验，在单目视频中实现了高保真的4D人体重建，提高了重建的准确性和鲁棒性。

E-Globe: Scalable $ε$-Global Verification of Neural Networks via Tight Upper Bounds and Pattern-Aware Branching

E-Globe：通过紧上界和模式感知分支实现神经网络的可扩展ε-全局验证

Wenting Li, Saif R. Kazi, Russell Bent, Duo Zhou, Huan Zhang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 E-Globe通过紧上界和模式感知分支实现神经网络的高效ε-全局验证，显著提升验证速度和精度。

Comments 16 pages, 10 figures

A Differential and Pointwise Control Approach to Reinforcement Learning

基于微分和逐点控制的强化学习方法

Minh Nguyen, Chandrajit Bajaj

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

AI总结 本文提出微分强化学习框架，通过微分对偶形式和dfPO算法提升样本效率和动态对齐，理论证明收敛性并实验证明在科学计算任务中的有效性。

Comments NeurIPS 2025

Convolution Operator Network for Forward and Inverse Problems (FI-Conv): Application to Plasma Turbulence Simulations

卷积算子网络用于正向和反向问题（FI-Conv）：应用于等离子体湍流模拟

Xingzhuo Chen, Anthony Poole, Ionut-Gabriel Farcas, David R. Hatch, Ulisses Braga-Neto

机构 * Texas A\&M Institute of Data Science（德克萨斯A&M数据科学研究所） ； Department of Physics, The University of Texas at Austin（德克萨斯大学奥斯汀分校物理系） ； Department of Mathematics and Division of Computational Modeling and Data Analytics, Academy of Data Science, Virginia Tech（弗吉尼亚理工学院数据科学学院数学系及计算建模与数据分析分部） ； Institute for Fusion Studies, The University of Texas at Austin（德克萨斯大学奥斯汀分校融合研究学院） ； Department of Electrical and Computer Engineering, Texas A\&M University（德克萨斯A&M大学电气与计算机工程系） 纠错

AI总结 FI-Conv通过卷积算子网络有效预测和估计复杂时空动态系统，如等离子体湍流，展现高精度和低计算成本的性能。

DiffVax: Optimization-Free Image Immunization Against Diffusion-Based Editing

DiffVax: 面向扩散编辑的无优化图像免疫方法

Tarik Can Ozden, Ozgur Kara, Oguzhan Akcin, Kerem Zaman, Shashank Srivastava, Sandeep P. Chinchali, James M. Rehg

机构 * UIUC（伊利诺伊大学香槟分校） ； UT Austin（得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） 纠错

AI总结 DiffVax通过无优化的损失项实现高效的图像免疫，显著提升防御扩散编辑的速度和鲁棒性。

Comments Accepted into ICLR 2026. Project webpage: https://diffvax.github.io/

Adaptive Evidence Weighting for Audio-Spatiotemporal Fusion

自适应证据加权用于音频-时空融合

Oscar Ovanger, Levi Harris, Timothy H. Keitt

机构 * Jackson School of Geosciences, University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校地质科学学院） 纠错

AI总结 FINCH通过自适应证据融合框架结合预训练音频分类器与结构化时空预测器，提升生物声学分类的鲁棒性和性能。

Conflict-Resolving and Sharpness-Aware Minimization for Generalized Knowledge Editing with Multiple Updates

冲突解决与尖锐性感知最小化：多更新通用知识编辑

Duy Nguyen, Hanqi Xiao, Archiki Prasad, Elias Stengel-Eskin, Hyunji Lee, Mohit Bansal

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

AI总结 CoRSA通过冲突解决与尖锐性感知最小化方法，提升多更新知识编辑的泛化能力和稳定性，实现比基线方法更高的性能。

Comments 22 pages, 8 figures. Code link: https://github.com/duykhuongnguyen/CoRSA

When Should Agents Coordinate in Differentiable Sequential Decision Problems?

在可微顺序决策问题中，代理何时应协调？

Caleb Probine, Su Ann Low, David Fridovich-Keil, Ufuk Topcu

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

AI总结 研究探讨了在可微顺序决策问题中，如何通过分析代理目标的二阶性质来决定何时团队应协调，以提高整体性能。

Comments 15 content pages, 2 pages for references, 4 figures

Simulation-Based Inference via Regression Projection and Batched Discrepancies

基于回归投影和批量不一致性的仿真推理

Arya Farahi, Jonah Rose, Paul Torrey

机构 * University of Texas at Austin（德克萨斯大学） ； Princeton University（普林斯顿大学） ； University of Virginia（弗吉尼亚大学） 纠错

AI总结 本文提出了一种基于回归投影和批量不一致性的轻量级仿真推理方法，通过自归一化的伪后验实现参数推断，并探讨了识别集的确定条件。

Comments comments are welcome,

CATNIP: LLM Unlearning via Calibrated and Tokenized Negative Preference Alignment

CATNIP：通过校准和令牌化的负偏好对齐实现LLM去学习

Zhengbang Yang, Yisheng Zhong, Junyuan Hong, Zhuangdi Zhu

机构 * George Mason University（乔治·马歇尔大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 CATNIP通过校准和令牌化的负偏好对齐方法，实现有效LLM去学习，无需保留数据或对比对，提升知识遗忘与保留的平衡。

Hierarchical Entity-centric Reinforcement Learning with Factored Subgoal Diffusion

分层实体导向强化学习与分因子子目标扩散

Dan Haramati, Carl Qi, Tal Daniel, Amy Zhang, Aviv Tamar, George Konidaris

机构 * Brown University（布朗大学） ； UT Austin（得克萨斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Technion（技术学院） 纠错

AI总结 本文提出分层实体导向强化学习方法，通过分因子子目标生成模型提升多实体领域中长周期任务的性能。

Comments ICLR 2026

Universal Redundancies in Time Series Foundation Models

时间序列基础模型中的通用冗余性

Anthony Bao, Venkata Hasith Vattikuti, Jeffrey Lai, William Gilpin

机构 * ECE Department, UT Austin（UT奥斯汀电子工程系） ； Department of Physics, UT Austin（UT奥斯汀物理系） ； Oden Institute, UT Austin（UT奥斯汀奥登研究所） 纠错

AI总结 本研究揭示了时间序列基础模型中普遍存在的冗余特性，并通过理论框架和消融实验揭示了模型退化现象的根源。

Rethinking Multinomial Logistic Mixture of Experts with Sigmoid Gating Function

重新思考带有Sigmoid门函数的多项逻辑混合专家模型

Tuan Minh Pham, Thinh Cao, Viet Nguyen, Huy Nguyen, Nhat Ho, Alessandro Rinaldo

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学） ； Hanoi University of Science and Technology（河内科学技术大学） 纠错

AI总结 本文重新思考了带有Sigmoid门函数的多项逻辑混合专家模型，通过分析和改进门控函数，提高了模型的样本效率和收敛性。

Comments Tuan Minh Pham, Thinh Cao, and Viet Nguyen contributed equally to this work

Terrain Costmap Generation via Scaled Preference Conditioning

通过缩放偏好条件生成地形成本图

Luisa Mao, Garrett Warnell, Peter Stone, Joydeep Biswas

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室） ； Sony AI（索尼人工智能） ； NVIDIA（英伟达） 纠错

AI总结 SPACER通过缩放偏好条件生成地形成本图，结合合成数据训练和用户指定的偏好上下文，实现地形泛化和快速成本适应，提升非结构化环境中的导航性能。

Monotonic Transformation Invariant Multi-task Learning

单调变换不变的多任务学习

Surya Murthy, Kushagra Gupta, Mustafa O. Karabag, David Fridovich-Keil, Ufuk Topcu

机构 * The University of Texas at Austin, TX 78712, USA（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出DiBS-MTL方法，通过单调变换不变性提升多任务学习的鲁棒性，实验证明其在非凸任务损失场景下具有优越性能。

Enabling Approximate Joint Sampling in Diffusion LMs

在扩散语言模型中实现近似联合采样

Parikshit Bansal, Sujay Sanghavi

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

AI总结 本文提出了一种在扩散语言模型中近似联合采样方法，通过轻量级采样器层实现多token高效生成，提升了语言建模和编码任务的性能。