Posterior Augmented Flow Matching
后验增强流匹配
机构 * Georgia Tech（佐治亚理工学院） ； University of Washington（华盛顿大学） ； Hugging Face ； Ai2 ； UC Irvine（加州大学 Irvine 分校）
AI总结 本文提出后验增强流匹配（PAFM），通过引入对中间状态和条件的近似后验期望，解决高维图像中流匹配的稀疏性和高方差问题，提升模型泛化能力。
高校专区
University of Washington（华盛顿大学）
Unlearning Offline Stochastic Multi-Armed Bandits
撤销离线随机多臂老虎机
机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； University of Washington, Tacoma, United States（华盛顿大学 Tacoma 分校） ； University of Massachusetts Amherst, Massachusetts, United States（马萨诸塞大学阿姆赫斯特分校）
AI总结 本文首次研究离线随机多臂老虎机中的撤销问题，提出适应性算法并在两种数据生成模型下建立性能保证和下界。
Comments First two authors made an equal contribution
Scaling Federated Linear Contextual Bandits via Sketching
通过降维实现联邦线性上下文老虎机的扩展
机构 * University of Science and Technology of China（中国科学技术大学） ； University of Washington Tacoma（华盛顿大学塔可姆分校）
AI总结 本文提出FSCLB算法，通过SVD和双降维策略降低联邦线性上下文老虎机的计算和通信开销，理论分析证明其在降维后仍能保持最优 regret 绑定。
ReLay: Personalized LLM-Generated Plain-Language Summaries for Better Understanding, but at What Cost?
ReLay：为更好的理解而定制的LLM生成的通俗摘要，但代价是什么？
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Virginia（弗吉尼亚大学） ； University of Colorado Anschutz（科罗拉多大学安舒茨分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Chicago Pritzker School of Medicine（芝加哥大学普ritzker法学院） ； National Library of Medicine, National Institutes of Health（国家医学图书馆，国家卫生研究院） ； University of Washington（华盛顿大学）
AI总结 ReLay研究通过评估五种LLM在两种个性化方法中的表现，探讨了个性化通俗摘要对理解提升与安全性的平衡问题。
Lost in State Space: Probing Frozen Mamba Representations
迷失在状态空间中：探索冻结的Mamba表示
机构 * University of Washington（华盛顿大学） ； University of Florida（佛罗里达大学）
AI总结 研究探讨了冻结Mamba模型在固定块边界提取句子表示的效果，发现其不如简单均值池化，揭示了严重的各向异性与表示崩溃问题，并提出正交注入方法。
Comments 8 pages, 2 figures
The Seismic Wavefield Common Task Framework
地震波场共同任务框架
机构 * Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系） ； Department of Applied Mathematics, University of Washington（华盛顿大学应用数学系） ； High Performance Machine Learning team, SURF（SURF高性能机器学习团队） ； Department of Earth and Space Sciences, University of Washington（华盛顿大学地球与空间科学系） ； Distyl AI ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） ； Department of Energy, Nuclear Engineering Division, Politecnico di Milano（米兰理工学院能源部核工程分校） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； Department of Mechanical Engineering, Politecnico di Milano（米兰理工学院机械工程系） ； Department of Mathematics, American University in Beirut（贝鲁特美国大学数学系） ； Department of Mechanical Engineering, American University in Beirut（贝鲁特美国大学机械工程系） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系）
AI总结 本文提出地震波场共同任务框架，通过三个数据集评估算法性能，解决地震预测与重建中的挑战。
Comments 34 pages, 7 figures
Koopman-Assisted Reinforcement Learning
Koopman辅助强化学习
机构 * Department of Computer Science, Cornell University（康奈尔大学计算机科学系） ； Subharmonic Technologies Inc.（Subharmonic Technologies公司） ； Department of Economics, Cornell University（康奈尔大学经济学系） ； Department of Engineering Physics and Computation, Technical University of Munich（慕尼黑技术大学工程物理与计算系） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系）
AI总结 本文提出基于数据驱动Koopman算子的强化学习算法，通过将非线性系统提升到新坐标空间，使动力学近似线性化，从而更易处理Hamilton-Jacobi-Bellman方程。该方法重构了两种最大熵RL算法，适用于确定性和随机性系统。
Comments 28 pages, 10 figures, 4 tables
