University of Washington（华盛顿大学）

Koopman-Assisted Reinforcement Learning

Koopman辅助强化学习

Preston Rozwood, Edward Mehrez, Ludger Paehler, Wen Sun, Steven L. Brunton

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） 纠错

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

Mull-Tokens: Modality-Agnostic Latent Thinking

Mull-Tokens: 通用模态的潜在思考

Arijit Ray, Ahmed Abdelkader, Chengzhi Mao, Bryan A. Plummer, Kate Saenko, Ranjay Krishna, Leonidas Guibas, Wen-Sheng Chu

机构 * Google（谷歌） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Boston University（波士顿大学） 纠错

AI总结 本文提出Mull-Tokens，一种无需模态切换的潜在令牌，用于空间、时间等多模态推理，通过预训练和微调在四个挑战性基准上实现3%-16%的提升。

Comments Project webpage: https://arijitray.com/multimodal_thinking/, Accepted to CVPR 2026 (Findings Track)

Useless but Safe? Benchmarking Utility Recovery with User Intent Clarification in Multi-Turn Conversations

无用却安全？在多轮对话中通过用户意图澄清基准测试恢复效用

Mingqian Zheng, Malia Morgan, Liwei Jiang, Carolyn Rose, Maarten Sap

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Allen Institute for AI（人工智能联盟研究所） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出CarryOnBench，首个交互式基准测试，评估LLM在多轮对话中是否能修正用户意图并恢复效用，同时保持安全。通过398个看似有害但实际无害的查询，生成5970次对话，评估14个模型的意图对齐效用和安全性能，发现模型在意图澄清后恢复效用存在不同失败模式。

minAction.net: Energy-First Neural Architecture Design -- From Biological Principles to Systematic Validation

minAction.net: 以能量为导向的神经网络架构设计 -- 从生物原理到系统验证

Martin G. Frasch

机构 * Institute on Human Development and Disability（人类发展与残疾研究所） ； University of Washington（华盛顿大学） ； Health Stream Analytics, LLC（健康流分析公司） 纠错

AI总结 研究通过评估2203个实验，发现架构依赖任务模态，提出能量正则化目标并验证了能量优先架构在训练效率上的提升。

Comments v2: Abstract updated to match revised lambda-sweep results (full sweep range; both MNIST and Fashion-MNIST; ~3 orders of magnitude reduction). Updated author affiliations and emails. Embedded Zenodo data DOI 10.5281/zenodo.19840031. Notation uniformity in Sec 3.4. Fig S2(a) caption clarified. Corrected Zenodo archive size in Appendix A (95 MB compressed)

RosettaSearch: Multi-Objective Inference-Time Search for Protein Sequence Design

RosettaSearch：蛋白质序列设计的多目标推理时间搜索

Meghana Kshirsagar, Allen Nie, Ching-An Cheng, Fanglei Xue, Rahul Dodhia, Juan Lavista Ferres, Kevin K. Yang, Frank DiMaio

机构 * AI for Good, Microsoft Redmond（微软红mond AI for Good） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； Institute for Protein Design University of Washington（蛋白质设计研究所华盛顿大学） ； Microsoft Research New England（微软新英格兰研究） ； Department of Biochemistry Institute for Protein Design University of Washington（生物化学系蛋白质设计研究所华盛顿大学） 纠错

AI总结 RosettaSearch通过大语言模型作为生成优化器，在受控探索与利用中改进蛋白质序列设计，实现结构保真度提升2.5倍，适用于多种LLM家族和独立结构预测 oracle。

Training Computer Use Agents to Assess the Usability of Graphical User Interfaces

训练计算机使用代理以评估图形用户界面的可用性

Alice Gao, Weixi Tong, Rishab Vempati, Katharina Reinecke, R. Benjamin Shapiro, Tianyi Zhang, Jason Wu

机构 * University of Washington（华盛顿大学） ； Purdue University（普渡大学） 纠错

AI总结 本文提出一种新型机器学习方法，通过优先处理关键交互流程、模拟人类交互并预测可用性评分，训练计算机使用代理评估GUI可用性，优于大模型并在合成和真实UI中产生真实批判。

GoViG: Goal-Conditioned Visual Navigation Instruction Generation via Multimodal Reasoning

GoViG：通过多模态推理实现目标条件视觉导航指令生成

Fengyi Wu, Yifei Dong, Yilong Dai, Guangyu Chen, Qifeng Wu, Huiting Huang, Hang Wang, Qi Dai, Alexander G. Hauptmann, Zhi-Qi Cheng

机构 * University of Washington（华盛顿大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出GoViG任务，通过多模态推理生成基于初始和目标状态的视觉导航指令，采用自回归多模态大语言模型提升空间准确性和语言清晰度，提出两种多模态推理策略并构建R2R-Goal数据集验证方法有效性。

Comments Accepted to ACL 2026 Findings. 22 pages, 12 figures, Code: https://github.com/F1y1113/GoViG

Talent or Luck? Evaluating Attribution Bias in Large Language Models

天赋还是运气？评估大语言模型中的归因偏差

Chahat Raj, Mahika Banerjee, Jinhao Pan, Aylin Caliskan, Antonios Anastasopoulos, Ziwei Zhu

机构 * George Mason University（乔治·马歇尔大学） ； Thomas Jefferson High School For Science and Technology（托马斯·杰斐逊科学与技术高中） ； University of Washington（华盛顿大学） 纠错

AI总结 研究探讨大语言模型在事件归因中的偏差，提出基于认知的评估框架，识别模型推理差异如何放大群体偏见。

Comments Accepted to ACL Findings 2026

VIGNETTE: Socially Grounded Bias Evaluation for Vision-Language Models

VIGNETTE：面向视觉语言模型的社会性偏见评估

Chahat Raj, Bowen Wei, Aylin Caliskan, Antonios Anastasopoulos, Ziwei Zhu

机构 * George Mason University（乔治·马歇尔大学） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出VIGNETTE基准，通过多方向问题回答框架评估视觉语言模型的偏见，揭示模型在身份识别中的刻板印象和歧视性模式。

Comments Accepted to ACL 2026

OT Score: An OT based Confidence Score for Prototype-Assisted Source Free Unsupervised Domain Adaptation

OT分数：一种基于最优传输的置信度分数用于原型辅助的无监督域适应

Yiming Zhang, Sitong Liu, Alex Cloninger

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出OT分数，用于评估原型辅助无监督域适应中的分类性能和置信度，通过最优传输理论分析改进现有方法，实验表明其在域适应任务中表现更优。

Don't Look at the Camera: Achieving Perceived Eye Contact

不要盯着镜头：实现感知眼神接触

Alice Gao, Samyukta Jayakumar, Marcello Maniglia, Brian Curless, Ira Kemelmacher-Shlizerman, Aaron R. Seitz, Steven M. Seitz

机构 * University of Washington（华盛顿大学） ； University of California, Riverside（加州大学河滨分校） ； Northeastern University（东北大学） 纠错

AI总结 研究通过实验证明，相较于直接对镜头，低头看向镜头下方更有利于实现感知眼神接触，提出了优化 gaze 方向的方法。

Journal ref Journal of Vision 2024

BenchGuard: Who Guards the Benchmarks? Automated Auditing of LLM Agent Benchmarks

BenchGuard：谁守护着基准？对LLM代理基准的自动化审计

Xinming Tu, Tianze Wang, Yingzhou, Lu, Kexin Huang, Yuanhao Qu, Sara Mostafavi

机构 * Allen School, University of Washington（华盛顿大学阿伦学院） ； Phylo, Inc.（Phylo公司） ； Genentech, Inc.（基因泰克公司） 纠错

AI总结 BenchGuard通过结构化LLM协议交叉验证所有基准制品，发现ScienceAgentBench中的12个问题，并在BIXBench Verified-50子集中准确识别83.3%的问题，证明自动化基准审计的有效性。

Responsible Evaluation of AI for Mental Health

人工智能心理健康应用的责任评估

Hiba Arnaout, Anmol Goel, H. Andrew Schwartz, Steffen T. Eberhardt, Dana Atzil-Slonim, Gavin Doherty, Brian Schwartz, Wolfgang Lutz, Tim Althoff, Munmun De Choudhury, Hamidreza Jamalabadi, Raj Sanjay Shah, Flor Miriam Plaza-del-Arco, Dirk Hovy, Maria Liakata, Iryna Gurevych

机构 * Technische Universität Darmstadt（德累斯顿技术大学） ； Vanderbilt University（范德比尔特大学） ； Trier University（特里尔大学） ； Bar-Ilan University（巴伊兰大学） ； Trinity College Dublin（都柏林三一学院） ； University of Washington（华盛顿大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Phillips-Universität Marburg（马尔堡菲利普大学） ； LIACS, Leiden University（莱顿大学LIACS研究中心） ； Bocconi University（博科尼大学） ； Queen Mary University London（伦敦玛丽女王大学） ； Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 本文提出跨学科框架，整合临床有效性、社会背景和公平性，解决现有AI心理健康工具评估碎片化问题，并通过案例研究展示AI心理健康支持类型的分类方法。

Journal ref ACL 2026

MCGI: Manifold-Consistent Graph Indexing for Billion-Scale Disk-Resident Vector Search

MCGI：用于十亿级磁盘驻留向量搜索的流形一致图索引

Dongfang Zhao

机构 * Tacoma School of Engineering and Technology（塔科马工程与技术学院） ； Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院） ； University of Washington（华盛顿大学） 纠错

AI总结 本文提出MCGI，一种基于流形一致性的图索引方法，通过动态调整搜索策略以适应数据内在几何结构，提升高维空间下的近邻搜索性能。

Remembering Unequally: Global and Disciplinary Bias in LLM Reconstruction of Scholarly Coauthor Lists

铭记不均：大型语言模型在重构学术合著者名单中的全球和学科偏见

Ghazal Kalhor, Afra Mashhadi

机构 * Computing and Software Systems, University of Washington, Bothell, WA, USA（华盛顿大学Bothell分校计算机与软件系统学院） 纠错

AI总结 研究探讨了大型语言模型在重构学术合著者名单时的偏见问题，发现高引用学者更受青睐，但某些学科和地区表现更均衡，揭示了依赖LLM生成知识的风险与局限。

GeoEdit: Local Frames for Fast, Training-Free On-Manifold Editing in Diffusion Models

GeoEdit：用于扩散模型中无训练快速在流形上编辑的局部框架

Yiming Zhang, Sitong Liu, Ke Li, Zhihong Wu, Alex Cloninger, Melvin Leok

机构 * University of California San Diego, La Jolla, CA, USA（加州大学圣迭戈分校） ； University of Washington, Seattle, WA, USA（华盛顿大学） ； Xidian University, Xi'an, China（西电大学） 纠错

AI总结 本文提出GeoEdit，通过局部流形切线空间实现无需训练的快速在流形上编辑，利用小扰动构建切线框架，实现精细编辑。

Spontaneous Persuasion: An Audit of Model Persuasiveness in Everyday Conversations

自发说服：日常对话中模型说服力的审计

Nalin Poungpeth, Nicholas Clark, Tanu Mitra

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

AI总结 本文研究了日常对话中模型说服力的自发性，通过审计五种LLM发现其在多轮对话中频繁使用信息类说服策略，而在心理健康话题中更倾向情感类策略，与人类回应的社交影响策略形成对比。

Prenatal Stress Detection from Electrocardiography Using Self-Supervised Deep Learning: Development and External Validation

孕期压力从心电图中检测：使用自监督深度学习的方法开发与外部验证

Martin G. Frasch, Marlene J. E. Mayer, Clara Becker, Peter Zimmermann, Camilla Zelgert, Marta C. Antonelli, Silvia M. Lobmaier

机构 * Institute on Human Development and Disability, University of Washington, Seattle, WA, USA（人类发展与残疾研究所，华盛顿大学，西雅图，华盛顿州，美国） ； JoyBeat Medical, Seattle, WA, USA（JoyBeat医疗公司，西雅图，华盛顿州，美国） ； Department of Obstetrics and Gynecology, TUM University Hospital, Technical University of Munich, Munich, Germany（妇产科与妇科部，慕尼黑技术大学大学医院，慕尼黑，德国） ； Technical University of Munich（慕尼黑技术大学；高级研究所，加兴，德国） ； Institute for Advanced Study, Garching, Germany 纠错

AI总结 本文提出利用自监督深度学习从心电图中检测孕期压力，通过多层特征提取方法在不同ECG信号中实现高准确率的分类和预测，展示了在不同数据集上的验证结果。

Comments 22 pages, 5 figures. A patent was filed by JoyBeat Medical, Inc, for the technology described (US Patent Application No.63/968,084)

AI Security Beyond Core Domains: Resume Screening as a Case Study of Adversarial Vulnerabilities in Specialized LLM Applications

超越核心领域的人工智能安全：简历筛选作为专门大语言模型应用中对抗性漏洞的案例研究

Honglin Mu, Jinghao Liu, Kaiyang Wan, Rui Xing, Xiuying Chen, Timothy Baldwin, Wanxiang Che

机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究中心） ； Harbin Institute of Technology（哈尔滨工业大学） ； Natural Language Processing Research Department（自然语言处理研究部） ； MBZUAI ； Paul G. Allen School of Computer Science and Engineering（保罗·G·阿伦计算机科学与工程学院） ； University of Washington（华盛顿大学） ； School of Computing and Information Systems（计算与信息系统学院） ； The University of Melbourne（墨尔本大学） 纠错

AI总结 研究探讨了大语言模型在简历筛选中的对抗性漏洞，提出FIDS防御机制，通过实验显示训练时防御优于推理时缓解，有效降低攻击成功率。

The Surprising Effectiveness of Membership Inference with Simple N-Gram Coverage

基于简单n-gram覆盖的成员推断的惊人效果

Skyler Hallinan, Jaehun Jung, Melanie Sclar, Ximing Lu, Abhilasha Ravichander, Sahana Ramnath, Yejin Choi, Sai Praneeth Karimireddy, Niloofar Mireshghallah, Xiang Ren

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

AI总结 本文提出基于文本输出的成员推断攻击，通过n-gram重叠度评估模型生成文本与真实后缀的相似性，验证了其在黑盒模型上的有效性，并发现攻击成功率随计算预算增加而提升。

Comments CoLM 2025. v2: update citation

Implicit Humanization in Everyday LLM Moral Judgments

日常LLM道德判断中的隐性人性化

Hoda Ayad, Tanu Mitra

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

AI总结 研究探讨了日常LLM在道德判断中隐性人性化倾向的影响，通过分析四个主流LLM的响应，发现其强化了隐性人性化假设，可能加剧过度依赖或信任风险，呼吁未来研究需考虑用户侧隐性人性化并设计解决方案。

Comments 6 pages, 3 figures, Published in CHIIR '26

Journal ref Proceedings of the 2026 Conference on Human Information Interaction and Retrieval (CHIIR '26), pages 497-502, 2026

ReFinE: Streamlining UI Mockup Iteration with Research Findings

ReFinE：通过研究发现流利化 UI 模板迭代

Donghoon Shin, Bingcan Guo, Jaewook Lee, Lucy Lu Wang, Gary Hsieh

机构 * University of Washington Seattle WA USA ； University of Washington,\ Institute for AI Seattle WA USA ； University of Washington ； University of Washington,\ Institute for AI 纠错

AI总结 ReFinE 是一个 Figma 插件，通过实时设计迭代提供研究洞察，减少认知负担，提高设计师将研究证据整合到 UI 模板中的能力。

Journal ref In Proceedings of the 2026 ACM Designing Interactive Systems Conference (DIS '26), Jun 13-17, 2026, Singapore, Singapore. ACM, New York, NY, USA

Reasonably reasoning AI agents can avoid game-theoretic failures in zero-shot, provably

合理推理的AI代理可以在零样本情况下避免博弈论失败并得到证明

Enoch Hyunwook Kang

机构 * Foster School of Business, University of Washington（华盛顿大学福斯特商学院） 纠错

AI总结 本文研究了AI代理在重复博弈中的稳定性，证明了基于贝叶斯后验采样的代理能趋近纳什均衡，且在未知收益情况下仍保持收敛性。

NVILA: Efficient Frontier Visual Language Models

NVILA：高效的前沿视觉语言模型

Zhijian Liu, Ligeng Zhu, Baifeng Shi, Zhuoyang Zhang, Yuming Lou, Shang Yang, Haocheng Xi, Shiyi Cao, Yuxian Gu, Dacheng Li, Xiuyu Li, Yunhao Fang, Yukang Chen, Cheng-Yu Hsieh, De-An Huang, An-Chieh Cheng, Vishwesh Nath, Jinyi Hu, Sifei Liu, Ranjay Krishna, Daguang Xu, Xiaolong Wang, Pavlo Molchanov, Jan Kautz, Hongxu Yin, Song Han, Yao Lu

机构 * NVIDIA ； MIT（麻省理工学院） ； UC Berkeley（加州大学伯克利分校） ； UC San Diego（加州大学圣地亚哥分校） ； University of Washington（华盛顿大学） ； Tsinghua University（清华大学） 纠错

AI总结 NVILA通过'缩放后再压缩'方法提升效率与准确性，降低训练和推理成本，适用于高分辨率图像和长视频处理。

Comments CVPR 2025. Project page: https://z-lab.ai/projects/nvila/

From Global to Local: Rethinking CLIP Feature Aggregation for Person Re-Identification

从全局到局部：重新思考CLIP特征聚合用于人重识别

Aotian Zheng, Winston Sun, Bahaa Alattar, Vitaly Ablavsky, Jenq-Neng Hwang

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） ； Applied Physics Laboratory, University of Washington（华盛顿大学应用物理实验室） 纠错

AI总结 本文提出SAGA-ReID，通过在CLIP文本嵌入空间中对齐中间补丁标记与锚向量，改进CLIP基于的人重识别方法，提升在遮挡和跨摄像头变化下的鲁棒性，实验表明其在遮挡增加时表现更优，达到+10.6 Rank-1的提升。

Comments 14 pages, 7 figures

Characterizing pitch and roll torque coupling in insect-sized flapping-wing robots using a microfabricated gimbal

利用微机电陀盘表征昆虫尺寸扑翼机器人俯仰力矩耦合

Aaron Weber, Daksh Dhingra, Sawyer B. Fuller

机构 * Department of Mechanical Engineering, University of Washington, Seattle, USA（华盛顿大学机械工程系） ； Department of Mechanical Engineering（机械工程系） ； Paul G. Allen School of Computer Science, University of Washington, Seattle, USA（保罗·G·艾伦计算机科学学校） 纠错

AI总结 研究通过微机电陀盘测量扑翼机器人俯仰力矩耦合，验证力矩可独立控制，为共振扑翼系统动力学建模提供依据。

Comments Submitted for journal publication in Mechatronics and conference presentation at IFAC World Congress 2026. 9 pages, 11 figures

"This Wasn't Made for Me": Recentering User Experience and Emotional Impact in the Evaluation of ASR Bias

这不是为我设计的：重新聚焦用户体验和情感影响在ASR偏见评估中的作用

Siyu Liang, Alicia Beckford Wassink

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

AI总结 研究通过四个美国地区用户调研，揭示ASR系统对不同方言群体的文化忽视及用户情感负担，指出系统失败导致的持续调整和隐性劳动，强调单一准确性指标无法全面评估算法公平性。

Calibeating Prediction-Powered Inference

校准预测驱动推断

Lars van der Laan, Mark Van Der Laan

机构 * Department of Statistics, University of Washington（华盛顿大学统计学系） ； Department of Statistics and Division of Biostatistics, Center for Targeted Machine Learning and Causal Inference, University of California, Berkeley（加州大学伯克利分校统计学系与生物统计学系，目标机器学习与因果推断中心） ； Targeted ML Solutions, targetedml.com（Targeted ML Solutions公司） 纠错

AI总结 本文提出校准预测驱动推断方法，通过后处理校准预测分数提升半监督估计效率，证明线性与等距校准的优化性，并展示其在模拟和真实数据中优于PPI和AIPW。

Comments Paper website: https://larsvanderlaan.github.io/ppi-aipw/

Dialect vs Demographics: Quantifying LLM Bias from Implicit Linguistic Signals vs. Explicit User Profiles

方言与人口统计数据：从隐含语言信号与显式用户资料中量化LLM偏见

Irti Haq, Belén Saldías

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

AI总结 研究通过对比显式身份声明与隐含方言信号，揭示LLM在不同敏感领域中的偏见来源，发现隐含方言可降低拒绝率但影响内容安全。

Comments In The 2026 ACM Conference on Fairness, Accountability, and Transparency (FAccT '26), June 25--28, 2026, Montreal, Canada. ACM, New York, NY, USA, 32 pages

PROPER Agents: Proactivity Driven Personalized Agents for Advancing Knowledge Gap Navigation

PROPER代理：基于主动性的个性化代理以推进知识缺口导航

Kirandeep Kaur, Vinayak Gupta, Aditya Gupta, Chirag Shah

机构 * University of Washington（华盛顿大学） ； Chan Zuckerberg Biohub（查纳·楚克生物枢纽） 纠错

AI总结 本文提出PROPER框架，通过显式建模用户特定的知识缺口，改进主动帮助系统，提升任务完成质量与效率。

Comments ACL 2026