University of Washington（华盛顿大学）

Polyhedral Instability Governs Regret in Online Learning

多面体不稳定性支配在线学习中的遗憾

Yuetai Li, Fengqing Jiang, Yichen Feng, Kaiyuan Zheng, Luyao Niu, Bhaskar Ramasubramanian, Basel Alomair, Linda Bushnell, Radha Poovendran

机构 * University of Washington（华盛顿大学） ； Western Washington University（西雅图华盛顿大学） ； King Abdulaziz City for Science and Technology（卡布勒·阿卜杜勒·阿齐兹科技城） ； HUMAIN 纠错

AI总结 本文研究了在线学习中组合动作的凸松弛问题，证明了遗憾由多面体不稳定性决定，通过分析区域切换次数和顶点数，得出了介于专家算法与维度依赖优化之间的渐进行为。

The WidthWall: A Strict Expressivity Hierarchy for Hypergraph Neural Networks

WidthWall：超图神经网络的严格表达性层级

Fengqing Jiang, Yuetai Li, Yichen Feng, Kaiyuan Zheng, Luyao Niu, Bhaskar Ramasubramanian, Basel Alomair, Linda Bushnell, Radha Poovendran

机构 * University of Washington（华盛顿大学） ； Western Washington University（西华盛顿大学） ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城） ； HUMAIN 纠错

AI总结 本文研究超图神经网络的表达能力，通过超图同构密度构建严格层级，揭示超树宽度限制下的表达性边界，并验证了密度感知模型的有效性。

Support-Conditioned Flow Matching Is Kernel Smoothing

支持条件流匹配是核平滑

Daniel Matsui Smola

机构 * Department of Computer Science（计算机科学系） ； University of Washington（华盛顿大学） 纠错

AI总结 本文通过核平滑理论揭示流匹配中支持集的核密度估计机制，证明流时间影响核带宽，并验证跨注意力在高维数据中的局限性。

Comments Submitted to NeurIPS 2026. 18 pages, 10 figures, 1 table. Code at https://github.com/BaroqueObama/kernel-flow-matching-code

FLEXITOKENS: Flexible Tokenization for Evolving Language Models

FLEXITOKENS: 用于进化语言模型的灵活分词

Abraham Toluwase Owodunni, Orevaoghene Ahia, Sachin Kumar

机构 * The Ohio State University（俄亥俄州立大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出FLEXITOKENS，通过可学习的分词器实现灵活的分词，减少文本过碎片化，提升多语言和生成任务性能。

Comments Accepted to ACL (findings) 2026

STOP: Structured On-Policy Pruning of Long-Form Reasoning in Low-Data Regimes

STOP：低数据场景下长形式推理的结构化在线剪枝

Chenjun Xu, Zhennan Zhou, Zhan Su, Bill Howe, Lucy Lu Wang, Bingbing Wen

机构 * University of Washington（华盛顿大学） ； University of Montreal（蒙特利尔大学） 纠错

AI总结 STOP通过结构化在线剪枝减少低数据场景下的长形式推理生成token，同时保持准确性，提升推理效率与结构效率。

Comments 20 pages, 6 figures, 6 tables. Code available at: https://github.com/chenjux/ECN-STOP

Beyond Cooperative Simulators: Generating Realistic User Personas for Robust Evaluation of LLM Agents

超越协作模拟器：为LLM代理的稳健评估生成真实用户人设

Harshita Chopra, Kshitish Ghate, Aylin Caliskan, Tadayoshi Kohno, Chirag Shah, Natasha Jaques

机构 * University of Washington, Seattle, WA（华盛顿大学） ； Georgetown University, Washington, DC（乔治城大学） 纠错

AI总结 本文提出Persona Policies，通过LLM驱动的进化程序搜索生成多样化的人设，提升模拟器在真实用户交互中的鲁棒性，实验显示在零售和航空领域取得显著性能提升。

Comments Preprint under review

Visual Aesthetic Benchmark: Can Frontier Models Judge Beauty?

视觉审美基准：前沿模型能评判美吗？

Yichen Feng, Yuetai Li, Chunjiang Liu, Yuanyuan Chen, Fengqing Jiang, Yue Huang, Hang Hua, Zhengqing Yuan, Kaiyuan Zheng, Luyao Niu, Bhaskar Ramasubramanian, Basel Alomair, Xiangliang Zhang, Misha Sra, Zichen Chen, Radha Poovendran, Zhangchen Xu

机构 * Bake AI ； University of Washington（华盛顿大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； Stanford University（斯坦福大学） ； University of Notre Dame（诺丁汉大学） ； Carnegie Mellon University（卡内基梅隆大学） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； Western Washington University（西雅图华盛顿大学） ； King Abdulaziz City for Science and Technology（国王阿卜杜勒阿齐兹科技城） 纠错

AI总结 本文提出视觉审美基准（VAB），通过比较选择评估审美，发现前沿模型在判断最佳和最差图像时表现逊于人类专家，表明需进一步改进。

Comments Project page: https://vab.bakelab.ai. Code: https://github.com/BakeLab/Visual-Aesthetic-Benchmark. Dataset: https://huggingface.co/datasets/BakeLab/Visual-Aesthetic-Benchmark

Training LLMs with Reinforcement Learning for Intent-Aware Personalized Question Answering

通过强化学习训练LLMs进行意图感知的个性化问答

Maryam Amirizaniani, Benjamin Charles Germain Lee, Jevin West, Nicholas Weber

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

AI总结 本文提出IAP框架，通过强化学习直接从单轮问题推断用户意图并生成意图感知的回答，实验表明其在LaMP-QA基准上优于所有基线，平均宏得分提升约7.5%。

OceanCBM: A Concept Bottleneck Model for Mechanistic Interpretability in Ocean Forecasting

OceanCBM：一种用于海洋预报机制可解释性的概念瓶颈模型

Sanah Suri, Kieran Ringel, Maike Sonnewald

机构 * University of California, Davis（加州大学戴维斯分校） ； University of Washington（华盛顿大学） ； NOAA Geophysical Fluid Dynamics Laboratory（国家海洋大气管理局流体动力学实验室） 纠错

AI总结 本文提出OceanCBM，一种用于时空预测和海洋动力机制解释的概念瓶颈模型，通过混合监督预测混合层热含量，实现可解释且物理基础的表示。

Comments 17 pages, 9 figures, 4 tables

A Faster Generalized Two-Stage Approximate Top-K

更快的通用两阶段近似Top-K算法

Yashas Samaga, Varun Yerram, Spandana Raj Babbula, Prateek Jain, Praneeth Netrapalli

机构 * University of Washington, Seattle（华盛顿大学） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 本文提出一种改进的两阶段近似Top-K算法，通过调整第一阶段的分区策略，减少第二阶段输入规模并提升效率，同时保持相同预期召回率。

Comments Accepted at TMLR May 2026

SocialLM: Social Signal Processing of Patient-Provider Communication using LLMs and Contextual Aggregation

SocialLM：利用LLMs和上下文聚合进行患者-提供者沟通的社会信号处理

Manas Satish Bedmutha, Feng Chen, Andrea Hartzler, Trevor Cohen, Nadir Weibel

机构 * University of Washington（华盛顿大学） ； UC San Diego（圣地亚哥大学） 纠错

AI总结 本文探讨了LLMs在无需微调的情况下能否有效跟踪临床转录中的20种社会行为，并通过群体一致性模式提升检测准确性与稳定性。

Comments To be presented at CHIL 2026