University of Washington（华盛顿大学）

Conditional Sampling via Wasserstein Autoencoders and Triangular Transport

基于Wasserstein自编码器和三角传输的条件采样

Mohammad Al-Jarrah, Michele Martino, Marcus Yim, Bamdad Hosseini, Amirhossein Taghvaei

机构 * Department of Aeronautics & Astronautics, University of Washington, Seattle（华盛顿大学西雅图分校航空与航天系） ； Department of Applied Mathematics, University of Washington, Seattle（华盛顿大学西雅图分校应用数学系） ； Department of Mathematics, University of Washington, Seattle（华盛顿大学西雅图分校数学系） 纠错

AI总结 本文提出条件Wasserstein自编码器(CWAEs)，通过利用条件和条件变量中的低维结构进行条件模拟。核心思想是修改Wasserstein自编码器以使用三角形解码器并施加适当的潜在变量独立性假设。

Comments 8 pages, 5 figures

Toys that listen, talk, and play: Understanding Children's Sensemaking and Interactions with AI Toys

会听、会说、会玩的玩具：理解儿童对AI玩具的感知与互动

Aayushi Dangol, Meghna Gupta, Daeun Yoo, Robert Wolfe, Jason Yip, Franziska Roesner, Julie A. Kientz

机构 * University of Washington（华盛顿大学） ； Rutgers University（罗格斯大学） 纠错

AI总结 研究探讨儿童与AI玩具互动时对边界、自主性与关系的理解，通过参与式设计发现儿童对玩具充满好奇，但频繁互动失败和智能与玩具形式的不匹配导致对抗性游戏，提出透明、适龄、负责任的设计建议。

AgenticRed: Evolving Agentic Systems for Red-Teaming

AgenticRed：为红队测试设计的进化系统

Jiayi Yuan, Jonathan Nöther, Natasha Jaques, Goran Radanović

机构 * University of Washington（华盛顿大学） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） 纠错

AI总结 AgenticRed通过进化算法自动设计红队系统，无需人工干预，显著提升攻击成功率，达到96%-100%的ASR。

Comments Website: https://yuanjiayiy.github.io/AgenticRed/

CQA-Eval: Designing Reliable Evaluations of Multi-paragraph Clinical QA under Resource Constraints

CQA-Eval: 设计在资源受限情况下多段临床问答系统可靠评估

Federica Bologna, Tiffany Pan, Matthew Wilkens, Yue Guo, Lucy Lu Wang

机构 * Cornell University（康奈尔大学） ； University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出CQA-Eval框架，通过医生标注300个真实患者问题，比较粗粒度答案级与细粒度句子级评估在正确性、相关性和风险披露维度上的效果，发现细粒度标注提升正确性一致性，粗粒度提升相关性一致性，而风险披露判断仍不一致，且少量标注可提供与粗标注相当的可靠性。

ARMOR: High-Performance Semi-Structured Pruning via Adaptive Matrix Factorization

ARMOR：通过自适应矩阵分解实现高性能半结构化剪枝

Lawrence Liu, Alexander Liu, Mengdi Wang, Tuo Zhao, Lin F. Yang

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of Washington（华盛顿大学） ； Princeton University（普林斯顿大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 ARMOR通过自适应矩阵分解技术，实现高效的半结构化剪枝，保留模型质量的同时提升压缩效率和任务准确性。

Comments ICLR 2026, code: https://github.com/LawrenceRLiu/ARMOR