Formal Policy Enforcement for Real-World Agentic Systems
面向现实代理系统的正式政策执行
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Cornell University（康奈尔大学） ； Langroid
AI总结 本文提出基于面向切面编程的框架，通过Datalog语言实现跨代理系统的政策执行，解决传统方法无法保证正式执行的问题。
高校专区
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
Online Localized Conformal Prediction
在线局部置信预测
机构 * University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出OLCP方法，结合在线适应与协变量依赖的局部化，以更好地反映异质性，并通过模拟和实验证明其在长期覆盖性上的有效性。
Fine-tuning a vision-language model for fracture-surface morphology recognition
对骨折表面形貌识别进行视觉-语言模型的微调
机构 * Department of Materials Science & Engineering, University of Wisconsin–Madison（威斯康星大学麦迪逊分校材料科学与工程系） ； Department of Electrical & Computer Engineering, University of Wisconsin–Madison（威斯康星大学麦迪逊分校电气与计算机工程系） ； KRAFTON ； Ludo Robotics
AI总结 本文通过微调开源视觉-语言模型，利用定制化的13168张骨折表面图像数据集，提升了对骨折表面形貌的识别能力，展示了在材料表征中的应用潜力。
Learning Visual Feature-Based World Models via Residual Latent Action
通过残差潜在动作学习基于视觉特征的世界模型
机构 * Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出RLA-WM世界模型，通过流匹配预测残差潜在动作，优于现有特征和视频扩散模型，且在速度和效率上更优，同时开发了两项机器人学习技术。
PACEvolve++: Improving Test-time Learning for Evolutionary Search Agents
PACEvolve++: 提高进化搜索代理的测试时学习
机构 * Google（谷歌） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google DeepMind（谷歌DeepMind）
AI总结 PACEvolve++通过强化学习框架提升进化搜索代理的测试时策略适应能力，采用可训练顾问生成并评估假设，结合前沿模型生成可执行候选，实现更快收敛和更稳定的测试时训练。
Active Learning for Communication Structure Optimization in LLM-Based Multi-Agent Systems
基于大语言模型多智能体系统的通信结构优化的主动学习
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出基于信息论的任务选择框架，通过估计任务信息量优化多智能体系统通信结构，在有限预算下提升性能并减少token使用。
SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks
SlopCodeBench：评估编码代理在长周期迭代任务中性能退化的基准测试
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Washington State University（华盛顿州立大学） ； MIT（麻省理工学院）
AI总结 本文提出SlopCodeBench，通过36个问题和196个检查点评估编码代理在长周期迭代任务中的性能退化，发现代理代码在结构上逐渐退化并产生冗余代码，人类代码退化更慢。
Comments Code and Leaderboards are located at https://www.scbench.ai
Contact-Grounded Policy: Dexterous Visuotactile Policy with Generative Contact Grounding
接触导向策略：具备生成接触基础的灵活视觉-触觉策略
机构 * Purdue University（普渡大学） ； Meta Reality Labs Research（Meta现实实验室） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出Contact-Grounded Policy，通过预测机器人状态和触觉反馈的耦合轨迹，生成接触基础的灵活视觉-触觉策略，优于现有基线方法。
Detecting Distillation Data from Reasoning Models
从推理模型中检测蒸馏数据
机构 * Department of Statistics and Data Science, Southern University of Science and Technology（统计与数据科学系，南方科技大学） ； Department of Computer Sciences, University of Wisconsin–Madison（计算机科学系，威斯康星大学麦迪逊分校）
AI总结 本文提出基于输出token概率偏差的检测方法，用于识别推理模型蒸馏数据中的问题，通过量化生成token与高置信度参考概率的偏差，提升检测性能，实验表明在蒸馏数据集上AUC提升达31%。
Reconstructing conformal field theoretical compositions with Transformers
用Transformer重建共形场论的组合
机构 * Department of Physics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校物理系） ； Data Science Institute, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数据科学研究院）
AI总结 本文利用Transformer重建二维有理共形场论张量积的组合，通过低能谱实现98%的准确率，并展示方法可推广至更大中心电荷和未见类别的RCFT。
Democratizing the medieval English legal tradition
让中世纪英国法律传统民主化
机构 * University of Chicago（芝加哥大学） ； California State University（加州州立大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Unaffiliated（无隶属机构）
AI总结 本文通过构建包含193个中世纪案件的文本数据集，训练端到端转录管道，利用神经网络和后处理技术提升手写文本识别准确率，最终展示TrOCR与CNN+LSTM的性能对比。
Comments Submitted to International Conference on Document Analysis and Recognition (ICDAR) 2026
Retrieval-Guided Generation for Safer Histopathology Image Captioning
基于检索的生成用于更安全的病理科图像描述生成
机构 * Kimia Lab, Department of Artificial Intelligence \& Informatics, Mayo Clinic, Rochester, MN, USA ； Department of Biomedical Informatics, University of Arkansas for Medical Sciences, Little Rock, AR, USA ； Lane Department of Computer Science ； Electrical Engineering, West Virginia University, Morgantown, WV, USA ； Department of Computer Science ； Engineering, Princeton University, Princeton, NJ, USA ； Department of Computer Sciences, University of Wisconsin--Madison, Madison, WI, USA
AI总结 本文提出检索引导生成方法，通过总结相似病例的专家文本生成描述，提升病理图像描述的准确性与可靠性，实验表明其在语义对齐和诊断一致性方面优于现有方法。
An Efficient Spatial Branch-and-Bound Algorithm for Global Optimization of Gaussian Process Posterior Mean Functions
一种高效的用于高斯过程后验均值函数全局优化的空域分支定界算法
机构 * Department of Chemical and Biological Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校化学与生物工程系） ； Department of Chemical and Biomolecular Engineering, The Ohio State University（俄亥俄州立大学化学与生物分子工程系） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系）
AI总结 本文提出PALM-Mean算法，通过空域分支定界与分段解析下界结合，提升高斯过程后验均值函数全局优化的可扩展性。
SpatialStack: Layered Geometry-Language Fusion for 3D VLM Spatial Reasoning
SpatialStack：用于3D VLM空间推理的分层几何-语言融合
机构 * XMU（厦门大学） ； UCLA（美国大学） ； Google（谷歌） ； UW-Madison（威斯康星大学麦迪逊分校） ； TAMU（德克萨斯农工大学）
AI总结 本文提出SpatialStack框架，通过分层融合视觉、几何和语言表征，提升3D空间推理能力，实验表明其在多个基准上表现优异。
Comments CVPR 2026, Project Website: https://spatial-stack.github.io/
Tiny but Mighty: A Software-Hardware Co-Design Approach for Efficient Multimodal Inference on Battery-Powered Small Devices
小巧但强大：一种软件硬件协同设计方法，用于电池供电小型设备上的高效多模态推理
机构 * University of Wisconsin – Madison（威斯康星大学麦迪逊分校） ； Amazon Web Services AI（亚马逊网络服务人工智能） ； Uber（优步）
AI总结 本文提出Nanomind框架，通过将多模态模型分解为模块化组件并分配到最佳计算单元，从而降低能耗并提升效率。
Efficient Parameter Estimation of Truncated Boolean Product Distributions
截断布尔乘积分布参数的高效估计
机构 * National Technical University of Athens（希腊国家技术大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 研究如何在截断样本下高效估计布尔乘积分布参数，提出截断集的肥厚性概念，证明肥厚截断集可使样本生成和统计任务高效完成，同时探讨了截断学习的必要条件。
Comments 33rd Conference on Learning Theory (COLT 2020)
A Multimodal and Explainable Machine Learning Approach to Diagnosing Multi-Class Ejection Fraction from Electrocardiograms
一种多模态且可解释的机器学习方法用于从心电图中诊断多类射血分数
机构 * Operations Research Center, Massachusetts Institute of Technology（麻省理工学院运营研究中心） ； Wisconsin School of Business, University of Wisconsin–Madison（威斯康星大学麦迪逊分校商学院） ； Heart and Vascular Institute, Hartford Hospital（哈特福德医院心脏与血管研究院）
AI总结 本文提出一种结合工程化12导联ECG时间序列特征与结构化电子健康记录变量的多模态机器学习框架，用于四类临床射血分数分类，并通过SHAP属性分析提高模型可解释性。
SynMotion: Semantic-Visual Adaptation for Motion Customized Video Generation
SynMotion: 语义-视觉适应用于运动定制视频生成
机构 * The University of Hong Kong（香港大学） ； Ant Group（蚂蚁集团） ； Tongyi（通义） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Huazhong University of Science and Technology（华中科技大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 SynMotion通过联合语义指导和视觉适应，解决视频生成中语义与视觉信息的平衡问题，提出双嵌入语义理解机制和参数高效运动适配器，提升运动细节和时间一致性。
Comments Project page: https://lucaria-academy.github.io/SynMotion/
V-SEAM: Visual Semantic Editing and Attention Modulating for Causal Interpretability of Vision-Language Models
V-SEAM：视觉语义编辑与注意力调节用于视觉-语言模型的因果可解释性
机构 * Tongji University（同济大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出V-SEAM框架，结合视觉语义编辑和注意力调节，提升视觉-语言模型的因果可解释性，通过多级语义分析增强模型性能。
Comments EMNLP 2025 Main
Supporting Family-School Partnerships with Robot-Facilitated Home-Based Activities
通过机器人辅助的居家活动支持家庭-学校合作
机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校）
AI总结 本文探讨了通过社交机器人促进家庭-学校合作的新方法，设计并开发了支持家庭沟通的机器人系统，通过实验证明了机器人在家庭日常生活中的整合效果及使用挑战。
Comments Proceedings of the 25th Interaction Design and Children Conference (IDC '26)
Designing Robots to Support Parent-Child Connections: Opportunities Through Robot-Mediated Communication
设计支持亲子关系的机器人：通过机器人中介交流的机会
机构 * University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； Koç University（科克大学） ； Simon Fraser University（西蒙弗雷泽大学）
AI总结 研究探讨机器人中介交流如何促进家庭连接，通过家庭互动设计维度分析亲子交流中的挑战与机遇。
Comments Proceedings of the 25th Interaction Design and Children Conference (IDC '26)
Robust Least-Squares Optimization for Data-Driven Predictive Control: A Geometric Approach
数据驱动预测控制中鲁棒最小二乘优化：一种几何方法
机构 * Indian Institute of Technology Bombay, India（印度班加罗尔印度理工学院） ； Microsoft India（微软印度） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； University of British Columbia, Vancouver, Canada（加拿大不列颠哥伦比亚大学） ； University of Wisconsin-Madison, USA（美国威斯康星大学麦迪逊分校）
AI总结 本文提出一种几何鲁棒最小二乘方法，通过近似子空间包含关系建模数据与真实空间的不确定性，改进了现有鲁棒最小二乘方法，实现更强的鲁棒性和更优的缩放性能。
Comments Accepted to the 8th Annual Learning for Dynamics & Control Conference June 17-19 2026, USC, Los Angeles, USA
TEMPO: Transformers for Temporal Disease Progression from Cross-Sectional Data
TEMPO：从横断面数据中基于变换器的疾病进展模型
机构 * University of Wisconsin—Madison（威斯康星大学麦迪逊分校） ； Chiba Institute of Technology（千叶技术大学）
AI总结 TEMPO通过基于模拟的监督学习，从横断面数据中学习有序和连续事件序列，显著提高了疾病阶段预测的准确性，适用于高维数据和ADNI数据集。
Comments 31 pages; Published at Conference on Health, Inference, and Learning (CHIL) 2026
Journal ref Proceedings of Machine Learning Research, 333, 2026
Vision-Language-Action in Robotics: A Survey of Datasets, Benchmarks, and Data Engines
机器人中的视觉-语言-动作：数据集、基准和数据引擎的综述
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Utah（犹他大学） ； Northeastern University（东北大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文综述了视觉-语言-动作研究中数据基础设施的关键挑战，指出未来进展依赖于数据引擎与评估协议的协同设计，揭示了数据集、基准和数据引擎的四大开放挑战。
Comments This is a survey paper. The survey is already accepted by TMLR after peer-review. The OpenReview link is here: https://openreview.net/forum?id=tAaWFpvnmm
Rethinking Trust Region Bayesian Optimization in High Dimensions
重新思考高维中的信任区域贝叶斯优化
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出AdaScale-TuRBO方法，通过动态调整GP长度尺度以解决高维优化中局部GP模型退化问题，提升性能。
On the Peril of (Even a Little) Nonstationarity in Satisficing Regret Minimization
关于在满足满意遗憾最小化中即使少量非平稳性的危险
机构 * Department of Industrial & Systems Engineering, University of Wisconsin-Madison（威斯康星大学麦迪逊分校工业与系统工程系） ； SC Johnson College of Business, Cornell University（康奈尔大学SC约翰逊商学院）
AI总结 研究非平稳K臂老虎机的满足满意遗憾保证，发现当L≥2时最优遗憾为Θ(L log T)，而L=1时可实现T无关的Θ(1)遗憾。
Comments 20 pages
Bayesian Event-Based Model for Disease Subtype and Stage Inference
基于贝叶斯的疾病亚型和分期事件模型
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Chiba Institute of Technology（千叶技术大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出贝叶斯事件基于模型(BEBMS)，在合成数据实验中优于SuStaIn，在阿尔茨海默病真实数据集上结果更符合科学共识。
Comments 32 pages; machine learning for health symposium (2025); Proceedings of the 5th Machine Learning for Health Symposium in PMLR
Journal ref Proceedings of Machine Learning Research (PMLR), vol. 297: Machine Learning for Health (ML4H), 2025
MLorc: Momentum Low-rank Compression for Memory Efficient Large Language Model Adaptation
MLorc: 动量低秩压缩用于内存高效的大型语言模型适应
机构 * University of Virginia（弗吉尼亚大学） ； National University of Singapore（新加坡国立大学） ； Meta ； University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
AI总结 本文提出MLorc方法，通过压缩和重建矩阵参数动量以降低内存消耗，相比LoRA和GaLore在内存效率和训练动态保留方面更优，理论和实验均验证其有效性。
Comments AISTATS 2026
NeuronMLP: Efficient LLM Inference via Singular Value Decomposition Compression and Tiling on AWS Trainium
NeuronMLP：通过AWS Trainium上的奇异值分解压缩和分块实现高效的LLM推理
机构 * University of California, Merced USA ； University of Wisconsin, Madison USA ； Yotta Labs \& University of California, Merced USA ； University of California, Merced ； University of Wisconsin, Madison ； Yotta Labs \& University of California, Merced
AI总结 本文提出NeuronMLP，基于奇异值分解压缩和分块技术优化AWS Trainium上的LLM推理，通过定制化技术减少数据移动，提升SRAM带宽，实现1.35倍的内核加速和1.21倍的端到端推理加速。
Comments 12 pages, 8 figures
Efficient measurement of neutral-atom qubits with matched filters
高效测量中性原子量子比特的匹配滤波器
机构 * The Ohio State University, Department of Physics（俄亥俄州立大学物理系） ； Department of Physics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校物理系） ； Department of Computer Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） ； Infleqtion, Inc.（Infleqtion公司） ； ResCon Technologies, LLC（ResCon Technologies LLC）
AI总结 本文提出两种简单可扩展的机器学习算法，用于解决中性原子量子处理器的读取串扰问题，通过局部模型和邻近量子比特信息减少误差，提升测量精度。
Journal ref Phys. Rev. Applied 25, 044048 (2026)
