University of Wisconsin-Madison（威斯康星大学麦迪逊分校）

Smoothing the Score Function for Generalization in Diffusion Models: An Optimization-based Explanation Framework

对扩散模型泛化能力的平滑得分函数：一种基于优化的解释框架

Xinyu Zhou, Jiawei Zhang, Stephen J. Wright

机构 * Department of Computer Sciences, University of Wisconsin Madison, WI, USA（威斯康星大学麦迪逊分校计算机科学系） 纠错

AI总结 本文提出基于优化的解释框架，通过分析经验得分函数的结构，揭示训练样本主导得分函数导致采样崩溃的原因，并提出噪声无条件化和温度平滑两种方法提升泛化能力。

Comments Accepted by CVPR2026

UniGame: Turning a Unified Multimodal Model Into Its Own Adversary

UniGame: 将统一多模态模型转变为自身对手

Zhaolong Su, Wang Lu, Hao Chen, Sharon Li, Jindong Wang

机构 * William & Mary（威廉与玛丽学院） ； Independent（独立研究者） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 UniGame通过自对抗框架提升多模态模型的一致性与鲁棒性，显著增强理解、生成和对抗鲁棒性。

Comments Accepted to CVPR 2026

Unichain and Aperiodicity are Sufficient for Asymptotic Optimality of Average-Reward Restless Bandits

Unichain 和 非周期性是平均奖励疲软带机问题渐进最优性的充分条件

Yige Hong, Qiaomin Xie, Yudong Chen, Weina Wang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 本文提出了一种新政策，通过逐步将更多臂推向最优分布，证明在Unichain和非周期性假设下，该政策具有O(1/√N)的渐进最优性。

Comments 68 pages, 17 figures

VLM-SAFE: Vision-Language Model-Guided Safety-Aware Reinforcement Learning with World Models for Autonomous Driving

VLM-SAFE: 基于世界模型的视觉-语言模型引导的安全强化学习用于自动驾驶

Yansong Qu, Zilin Huang, Zihao Sheng, Jiancong Chen, Yue Leng, Samuel Labi, Sikai Chen

机构 * Lyles School of Civil and Construction Engineering, Purdue University（普渡大学莱尔斯土木与建筑工程学院） ； Department of Civil and Environmental Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Google（谷歌） 纠错

AI总结 本文提出VLM-SAFE框架，通过观察-想象-评估-行动闭环，利用视觉语言模型提供语义安全信号，结合世界模型预测未来轨迹，优化策略以提升自动驾驶的安全性和效率。

Comments N/A

Correcting Auto-Differentiation in Neural-ODE Training

神经ODE训练中自动微分的修正

Yewei Xu, Shi Chen, Qin Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 研究探讨了在神经ODE架构中使用自动微分对深度神经网络更新的影响，发现高阶方法可能导致梯度震荡，提出后处理技术以消除震荡并提升收敛性。

Comments Accepted for publication in SIAM Journal on Applied Mathematics. This version corresponds to the final draft, prior to copyediting and production

Generating Synthetic Wildlife Health Data from Camera Trap Imagery: A Pipeline for Alopecia and Body Condition Training Data

从摄像头陷阱图像生成合成野生动物健康数据：用于脱毛和体况恶化的训练数据管道

David Brundage

机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； School of Veterinary Medicine（兽医学院） 纠错

AI总结 本文提出了一种生成合成训练图像的管道，用于野生动物脱毛和体况恶化的检测，通过生成表型编辑系统和质量控制系统，生成高质量合成数据以用于自动健康筛查。