University of Washington（华盛顿大学）

Edge Assisted Multi-Camera Vehicle Tracking Framework for Real-Time and Scalable Deployment

面向实时可扩展部署的边缘辅助多摄像头车辆跟踪框架

Yuqiang Lin, Sam Lockyer, Shucheng Zhang, Florian Stanek, Markus Zarbock, Adrian Evans, Wenbin Li, Yinhai Wang, Nic Zhang

机构 * University of Bath（巴斯大学） ； Starwit Technologies GmbH（Starwit技术公司） ； University of Washington（华盛顿大学） 纠错

AI总结 提出一种分布式边缘-服务器框架EASE-MCVT，通过算法和系统优化实现多摄像头车辆跟踪的实时吞吐量和可扩展性。

Learning Individual Dynamics from Sparse Cross-Sectional Snapshots

从稀疏横截面快照中学习个体动力学

Christian Lagemann, Kai Lagemann, Steven L. Brunton, Sach Mukherjee

机构 * Statistics and Machine Learning, German Center for Neurodegenerative Diseases (DZNE)（统计与机器学习，德国神经退行性疾病中心（DZNE）） ； MediaTek Research（联发科技研究） ； Department of Mechanical Engineering & AI Institute in Dynamic Systems, University of Washington, Seattle（机械工程与人工智能动态系统研究所，华盛顿大学，西雅图） ； DZNE & University of Bonn, Bonn, Germany and University of Cambridge, Cambridge, United Kingdom（DZNE与波恩大学，波恩，德国和剑桥大学，剑桥，英国） 纠错

AI总结 提出CADENCE框架，通过将潜在动力学锚定到静态个体上下文，从孤立快照中恢复连续个体轨迹，并证明单时间点轨迹推断的可识别性。

Adaptive Calibration in Non-Stationary Environments

非平稳环境中的自适应校准

Junyan Liu, Haipeng Luo, Lillian J. Ratliff

机构 * University of Washington（华盛顿大学） ； University of Southern California（南加州大学） 纠错

AI总结 针对非平稳环境中的在线预测校准问题，提出基于epoch调度和非均匀预测空间划分的自适应算法，实现了校准误差在平稳与对抗场景之间的平滑插值，并达到最优或接近最优的遗憾界。

Comments Added results for piecewise-stationary environments and included a comparison with the concurrent work of Huang et al. (arXiv:2605.09273)