The Power of Iterative Filtering for Supervised Learning with (Heavy) Contamination
迭代过滤在有监督学习中的强大作用（含重污染）
机构 * UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出迭代多项式过滤算法，解决了有污染的有监督学习中的复杂性差距问题，首次实现了在高斯分布下高效学习半空间，以及在重污染下近最优的学习保证。
Comments 36 pages
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
Canopy: Property-Driven Learning for Congestion Control
Canopy：基于属性的学习用于拥塞控制
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google DeepMind（谷歌DeepMind）
AI总结 Canopy通过整合学习与形式推理，在学习循环中提供定量认证，从而在各种网络条件下实现适应性和最坏情况的可靠性。
Comments Eurosys 2026
Atomic-SNLI: Fine-Grained Natural Language Inference through Atomic Fact Decomposition
原子级SNLI：通过原子事实分解实现细粒度自然语言推理
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 Atomic-SNLI通过原子事实分解提升细粒度自然语言推理，通过构建新数据集增强模型的原子级推理能力。
Simple Mechanisms for Representing, Indexing and Manipulating Concepts
简单机制用于表示、索引和操作概念
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google Research（谷歌研究） ； UT Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出通过多项式零集和矩统计量来表征概念，并利用签名发现概念的共同结构和层次关系。
Comments 29 pages
DeepHalo: A Neural Choice Model with Controllable Context Effects
DeepHalo：具有可控上下文效应的神经选择模型
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Toronto（多伦多大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 DeepHalo是一种能够控制上下文效应阶数的神经选择模型，通过显式控制交互阶数和原则性解释上下文效应，提升决策建模的可解释性和预测性能。
Scaling Trends for Multi-Hop Contextual Reasoning in Mid-Scale Language Models
中等规模语言模型中多跳上下文推理的扩展趋势
机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究通过对比不同模型的多跳推理能力，发现多代理系统在推理任务中表现优于规则方法，且模型基础能力影响放大效果。
Comments 18 pages, 6 figures, 8 tables
Linear Script Representations in Speech Foundation Models Enable Zero-Shot Transliteration
语音基础模型中的线性脚本表示可实现零样本转写
机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 通过在语音基础模型中引入线性脚本表示，实现对语音识别输出脚本的零样本控制，提升多语言转写性能。
Adversarial Question Answering Robustness: A Multi-Level Error Analysis and Mitigation Study
对抗性问答鲁棒性：多级错误分析与缓解研究
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究通过多级错误分析和实体感知对比学习，提升对抗性问答的鲁棒性，实现干净与对抗性数据性能的近似相等。
NitroGen: An Open Foundation Model for Generalist Gaming Agents
NitroGen：一种通用游戏代理的开源基础模型
机构 * NVIDIA ； Stanford（斯坦福大学） ； Caltech（加州理工学院） ； UChicago（芝加哥大学） ； UT Austin（得克萨斯大学奥斯汀分校）
AI总结 NitroGen通过大规模行为克隆训练，实现跨游戏泛化能力，提升任务成功率达52%
Comments 16 pages, 7 figures
Detecting and Mitigating Treatment Leakage in Text-Based Causal Inference: Distillation and Sensitivity Analysis
基于文本的因果推断中检测与缓解处理泄漏：蒸馏与敏感性分析
机构 * Institute for Analytical Sociology, Linköping University, Sweden（分析社会学研究所，利乌波尔大学） ； Department of Computer Science and Engineering, Chalmers University of Technology, Sweden（计算机科学与工程系，查尔姆斯理工大学） ； Department of Government, University of Texas at Austin, USA（政府系，德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种基于文本的因果推断中检测和缓解处理泄漏的方法，通过蒸馏和敏感性分析来减少偏倚并提高估计精度。
Improving Flexible Image Tokenizers for Autoregressive Image Generation
改进灵活的图像标记器以用于自回归图像生成
机构 * Nanyang Technological University（南洋理工大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Harbin Institute of Technology（哈尔滨工业大学） ； Meta AI
AI总结 ReToK通过冗余标记填充和层次语义正则化改进灵活图像标记器，提升自回归图像生成效果。
Digital Twin AI: Opportunities and Challenges from Large Language Models to World Models
数字孪生AI：从大语言模型到世界模型的机会与挑战
机构 * Lehigh University（莱文斯顿大学） ； University of Maryland（马里兰大学） ； University of New South Wales（新南威尔士大学） ； Worcester Polytechnic Institute（沃思维尔理工学院） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Notre Dame（圣约翰大学） ； Columbia University（哥伦比亚大学） ； University of Georgia（佐治亚大学） ； Yale University（耶鲁大学） ； Texas A&M University（德克萨斯A&M大学） ； Stanford University（斯坦福大学） ； Squirrel Ai Learning ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Texas Health Science Center at Houston（德克萨斯大学健康科学中心休斯顿分校） ； University of California, Riverside（加州大学河滨分校） ； Florida International University（佛罗里达国际大学） ； Purdue University（普渡大学） ； Children’s Hospital of Philadelphia（费城儿童医院）
AI总结 本文提出统一的四阶段框架，探讨数字孪生中AI整合的机会与挑战，涵盖建模、镜像、干预和自主管理，强调大语言模型和基础模型的作用。
Data-Driven Assessment of Concrete Mixture Compositions on Chloride Transport via Standalone Machine Learning Algorithms
基于数据驱动的混凝土混合物组成对氯离子传输的评估：通过独立机器学习算法
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sharif University of Technology（谢里夫理工学院）
AI总结 本文利用独立机器学习算法评估混凝土混合物组成对氯离子传输的影响，揭示了混合物成分与氯离子含量的反比关系，并展示了代理方法在提升基础设施寿命中的潜力。
Pediatric Pneumonia Detection from Chest X-Rays:A Comparative Study of Transfer Learning and Custom CNNs
儿童肺炎从胸部X光片检测：迁移学习与定制CNNs的比较研究
机构 * Department of Computer Science University of Texas at Austin（计算机科学系德克萨斯大学奥斯汀分校）
AI总结 本研究通过比较迁移学习与定制CNNs在儿童肺炎检测中的性能，发现微调迁移模型在准确率、F1分数和AUC上均优于从头训练模型，具有在资源有限地区应用的潜力。
Bayesian Inverse Games with High-Dimensional Multi-Modal Observations
高维多模态观测下的贝叶斯逆游戏
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Delft University of Technology（代尔夫特理工大学） ； Sunrise Setting Ltd ； SAGE Publications Ltd（SAGE出版社有限公司）
AI总结 本文提出了一种基于贝叶斯推断的逆博弈框架，利用多模态观测数据实时生成隐藏智能体目标的后验分布，提升推断质量并实现更安全的决策。
SV-GS: Sparse View 4D Reconstruction with Skeleton-Driven Gaussian Splatting
SV-GS: 基于骨骼驱动的稀疏视图4D重建
机构 * University of Minnesota（明尼苏达大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 SV-GS通过骨骼驱动的变形场，在稀疏观测下实现动态目标的4D重建，提升了在现实场景中的应用可行性。
Compressed Map Priors for 3D Perception
压缩地图先验用于3D感知
机构 * UT Austin（得克萨斯大学）
AI总结 本文提出压缩地图先验，通过学习历史通行数据提升3D感知中的物体检测性能。
Comments Tech report; code https://github.com/bradyz/compressed_map_priors
Active learning for data-driven reduced models of parametric differential systems with Bayesian operator inference
基于贝叶斯算子推断的参数微分系统的数据驱动降阶模型主动学习
机构 * Department of Mathematics, Brigham Young University（数学系， Brigham Young University） ； Centre for Mathematical Sciences, Lund University（数学科学中心， Lund University） ； Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin（计算工程与科学研究院， The University of Texas at Austin）
AI总结 本文提出基于贝叶斯算子推断的主动学习方法，用于提升参数微分系统数据驱动降阶模型的稳定性和准确性。
PipeFlow: Pipelined Processing and Motion-Aware Frame Selection for Long-Form Video Editing
PipeFlow: 管道处理与运动感知帧选择用于长格式视频编辑
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Qualcomm AI Research（高通人工智能研究）
AI总结 PipeFlow通过运动感知帧选择和流水线任务调度，实现长格式视频编辑的高效处理，相比现有方法速度提升达9.6至31.7倍。
Fantastic Reasoning Behaviors and Where to Find Them: Unsupervised Discovery of the Reasoning Process
非凡的推理行为及其发现位置：无监督发现推理过程
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google DeepMind（谷歌DeepMind）
AI总结 本研究提出无监督框架RISE，通过稀疏自编码器发现LLM推理行为，揭示可解释的推理特征并控制推理轨迹。
Reconstructing Hand-Held Objects in 3D from Images and Videos
从图像和视频中重建手持物体的三维结构
机构 * UC Berkeley（伯克利大学） ； UT Austin（德克萨斯大学奥斯汀分校） ； Caltech（加州理工学院）
AI总结 本文提出了一种基于3D手和物体联合重建的方法，通过检索增强重建实现对视频中手持物体的高效三维重建。
Comments 3DV 2026, Project page: https://janehwu.github.io/mcc-ho
Machine Learning to Predict Digital Frustration from Clickstream Data
利用机器学习预测点击流数据中的数字挫败感
机构 * Department of Computer Science（计算机科学系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本研究利用LSTM模型通过点击流数据预测用户挫败感，实验表明LSTM在预测准确性上优于XGBoost，且仅需少量交互即可实现可靠预测。
Comments 17 pages, 5 figures
PRISM: A Personality-Driven Multi-Agent Framework for Social Media Simulation
PRISM: 一种基于个性的多智能体框架用于社交媒体模拟
机构 * University of Liverpool（利物浦大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University College London（伦敦大学学院） ； Xi'an Jiaotong-Liverpool University（西安交通大学-利物浦大学） ； Chinese Academy of Sciences（中国科学院） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
AI总结 PRISM通过结合连续情绪演变与基于个性的决策过程，提供了一种更准确模拟社交媒体中个性驱动意见极化的框架。
Computational Basis of LLM's Decision Making in Social Simulation
大语言模型在社会模拟中的决策机制计算基础
机构 * LBJ School of Public Affairs, University of Texas at Austin（德克萨斯大学奥斯汀分校公共事务学院LBJ学院） ； Gradel Institute of Charity, New College, University of Oxford（牛津大学格拉德尔慈善研究所）
AI总结 本研究通过独裁者游戏探索LLM内部表示的变量变化，揭示社会概念在Transformer模型中的编码机制，为社会模拟和AI对齐提供新方法。
Comments Forthcoming: Sociological Methodology; USPTO patent pending
Journal ref Sociological Methodology, 2025
ViGoR: Improving Visual Grounding of Large Vision Language Models with Fine-Grained Reward Modeling
ViGoR：通过细粒度奖励建模提升大视觉语言模型的视觉 grounding
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； AWS AI（AWS人工智能）
AI总结 ViGoR通过细粒度奖励建模提升大视觉语言模型的视觉 grounding 能力，采用更经济的人类评估和自动化方法，有效提高视觉推理准确性。
Comments Accepted by ECCV 2024
Mitigating Spurious Correlations in NLI via LLM-Synthesized Counterfactuals and Dynamic Balanced Sampling
通过LLM合成的反事实和动态平衡采样缓解NLI中的虚假相关性
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种自动化流程，通过LLM合成反事实和动态平衡采样缓解NLI中的虚假相关性，提升了模型性能和领域内准确性。
Simulation-Driven Deep Learning Framework for Raman Spectral Denoising Under Fluorescence-Dominant Conditions
基于模拟的深度学习框架用于荧光主导条件下拉曼光谱去噪
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Department of Biomedical Engineering（生物医学工程系）
AI总结 本研究提出了一种基于模拟的深度学习框架，用于在荧光主导条件下提升拉曼光谱质量，通过结合噪声模型和深度神经网络，提高生物组织分析的准确性和效率。
Hierarchical Neural Surfaces for 3D Mesh Compression
层次神经表面用于3D网格压缩
机构 * Laboratory of Image and Video Engineering, The University of Texas at Austin（图像与视频工程实验室，德克萨斯大学奥斯汀分校） ； Ericsson Research, Santa Clara, CA（爱立信研究，圣克拉拉，CA）
AI总结 本文提出了一种层次神经表面方法，用于高效压缩3D网格，通过球面参数化和位移向量场构建紧凑的隐式神经表示，实现高质量的实时解码。
Masked Diffusion for Generative Recommendation
掩码扩散用于生成性推荐
机构 * UT Austin（得克萨斯大学） ； Snap Inc（Snap公司）
AI总结 本文提出利用掩码扩散替代自回归建模，以提升生成性推荐中语义ID序列的概率建模效果，尤其在数据受限情况下表现更优。
Comments 25 pages
SepsisSuite: Beyond Risk Stratification -- A Comparative Analysis of Deep Fusion vs. Expert Stacking for Prescriptive Sepsis AI
SepsisSuite: 超越风险分层 -- 深度融合与专家堆叠的比较分析用于处方性脓毒症AI
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 SepsisSuite通过深度融合与专家堆叠对比，提出SepsisLateFusion架构，实现预测临床发作前4小时的AUC 0.915，并提升抗生素选择性能。
Comments 7 Pages, 4 Tables, 9 Figures
