University of Washington（华盛顿大学）

Temporal Narrative Monitoring in Dynamic Information Environments

动态信息环境中的时间叙事监控

David Farr, Stephen Prochaska, Jack Moody, Lynnette Hui Xian Ng, Iain Cruickshank, Kate Starbird, Jevin West

机构 * School of Information Science（信息科学学院） ； University of Washington（华盛顿大学） ； Whiting School of Engineering（工程学院） ； Johns Hopkins University（约翰霍普金斯大学） ； School of Computer Science（计算机科学学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Human Centered Design Engineering（以人为核心的设计工程） 纠错

AI总结 本文提出了一种系统框架，用于建模动态信息环境中随时间演变的语义结构，通过整合语义嵌入、密度聚类和滚动时间链接，实现对危机事件中叙事的持续适应性表示。

PAuth - Precise Task-Scoped Authorization For Agents

PAuth - 精确任务范围授权 for 代理

Reshabh K Sharma, Linxi Jiang, Zhiqiang Lin, Shuo Chen

机构 * University of Washington（华盛顿大学） ； The Ohio State University（俄亥俄州立大学） ； Microsoft Research（微软研究院） 纠错

AI总结 PAuth通过隐式授权模型精确控制代理执行任务所需的操作权限，通过NL切片和信封结构确保操作合法性，实验表明其在安全和性能上均表现优异。

CircuitBuilder: From Polynomials to Circuits via Reinforcement Learning

CircuitBuilder: 通过强化学习从多项式到电路

Weikun K. Zhang, Rohan Pandey, Bhaumik Mehta, Kaijie Jin, Naomi Morato, Archit Ganapule, Michael Ruofan Zeng, Jarod Alper

机构 * University of Washington（华盛顿大学） 纠错

AI总结 研究通过强化学习发现高效算术电路计算多项式的问题，比较PPO+MCTS和SAC方法，SAC在双变量目标上表现最佳，PPO+MCTS能扩展到三变量并提升更难实例性能。

Comments ICLR 2026 Workshop on AI with Recursive Self-Improvement

A Framework for Modeling Liquefaction-Induced Road Disruptions After Earthquakes: Implications for Emergency Response and Access in the Cascadia Region of North America

一种用于地震诱发道路中断建模的框架：对北美 Cascadia 地区应急响应和通行的启示

Morgan D. Sanger, Olyvia B. Smith, Brett W. Maurer, Liam Wotherspoon, Marc O. Eberhard, Jeffrey W. Berman

机构 * Dept. of Civil and Environmental Engineering, University of Washington（华盛顿大学土木与环境工程系） ； Dept. of Civil and Environmental Engineering, University of Auckland（奥克兰大学土木与环境工程系） 纠错

AI总结 本文提出一种基于力学和数据驱动的框架，用于估算地震诱发的道路关闭和服务减少，重点分析 Cascadia 地区的交通影响及应急响应需求。

Meta-Reinforcement Learning with Self-Reflection for Agentic Search

具有自我反思的元强化学习用于代理搜索

Teng Xiao, Yige Yuan, Hamish Ivison, Huaisheng Zhu, Faeze Brahman, Nathan Lambert, Pradeep Dasigi, Noah A. Smith, Hannaneh Hajishirzi

机构 * Allen Institute for AI（Allen人工智能研究所） ； University of Washington（华盛顿大学） ； Independent（独立） 纠错

AI总结 本文提出MR-Search，一种基于上下文的元强化学习框架，通过自我反思优化搜索策略，提升测试时探索效率，实验显示其在多个基准上表现优异。

Comments 23 pages, Preprint