Finite-Lag Operator Geometry of Recurrent Representations
循环表示的有限滞后算子几何
机构 * University of Washington（华盛顿大学）
AI总结 提出有限滞后算子几何，通过源-后继对估计条件传输律，导出传输张量和循环量，证明仿射协方差与分离性，揭示循环网络架构差异。
高校专区
University of Washington（华盛顿大学）
Janus: a Playground for User-Involved Agentic Permission Management
Janus：用户参与的智能体权限管理实验平台
机构 * University of Washington（华盛顿大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Georgetown University（乔治城大学）
AI总结 提出Janus系统，通过模块化框架和自动化评估工具，研究用户参与AI智能体权限管理的设计空间，发现用户输入可增强隐私安全，AI辅助可降低认知负担，但需考虑权限疲劳等现实行为。
Comments Code and data released on GitHub: https://github.com/GraceBrigham/Janus
How Much Future Helps? A Controlled Study of Future-Privileged Supervision for Causal Egocentric Gaze Estimation
未来有多大帮助？面向因果自我中心视线估计的未来特权监督受控研究
机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Washington（华盛顿大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 提出一种受控框架，通过训练时访问未来帧但推理时丢弃的未来感知分支，研究未来上下文对因果视线估计的影响，发现最优未来视野约1.7-3.3秒。
Comments Accepted to the 7th International Workshop on Eye and Gaze in Computer Vision (GAZE 2026), CVPR 2026. Best Paper Award
CreativityPrism: A Cross-Domain Evaluation Framework for Large Language Model Creativity
CreativityPrism：大语言模型创造力的跨域评估框架
机构 * University of Pittsburgh（匹兹堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Notre Dame（诺特丹大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Washington（华盛顿大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 提出CreativityPrism框架，整合发散思维、创意写作和逻辑推理三个领域的八项任务，从质量、新颖性和多样性三个维度评估LLM创造力，发现前沿模型在创意写作和逻辑推理上领先，但在发散思维上无显著优势，且各维度间相关性弱。
Comments Published in Transactions on Machine Learning Research (06/2026)
Meta-Representational Predictive Coding: Neuroscience-Informed Self-Supervised Learning
元表征预测编码：神经科学启发的自监督学习
机构 * Rochester Institute of Technology（罗切斯特理工学院） ； AI Research Lab（AI研究实验室） ； University of Washington（华盛顿大学） ； Rochester, New York, USA（纽约罗切斯特市） ； Los Angeles, California, USA（加州洛杉矶市） ； Seattle, Washington, USA（华盛顿州西雅图市）
AI总结 提出元表征预测编码（MPC），通过跨并行流预测输入表征实现自监督学习，避免生成模型和反向传播，利用主动推理驱动表征学习。
Comments Significant updates to modeling framework, saccade planning + LGN units detailed, natural image experiments, new analyses and zero-shot generalization results now included
