NVIDIA（英伟达）

ADEPT: Accelerating Dexterity via Pre-Training and Post-Training using Reinforcement Learning

ADEPT：通过强化学习利用预训练和后训练提升灵巧性

Jayjun Lee, Jessica Yin, Asif Rana, Nicholas Blauch, Sam Mady, Mohak Bhardwaj, Nima Fazeli, Nathan Ratliff, Karl Van Wyk, Ankur Handa

机构 * NVIDIA Corporation（英伟达公司） ； University of Michigan（密歇根大学） 纠错

AI总结 该研究提出ADEPT强化学习框架，通过预训练和后训练实现高自由度机器人的可仿真到现实迁移的灵巧性，在两款机器人本体上完成长程任务，达到人类水平灵巧速度。

Comments Project page: https://adept-dexterity.github.io/

Score the Algebra, Not the Span: Dimension Reduction for Transfer Operator Models of Dynamical Systems

对代数而非张量化进行评分：动力系统转移算子模型的降维

Mark Kozdoba, Shie Mannor

机构 * Technion, IIT（以色列理工学院） ； NVIDIA（英伟达公司） 纠错

AI总结 该研究针对多弱相互作用组件的动力系统，提出对σ-代数而非张量化评分的降维方法，可避免线性掩码问题，用少量代数坐标恢复被遗漏组件，实现低样本预测。

FedCoRe: Target-Adaptive Completion for Missing Modalities in Healthcare Federated Learning

FedCoRe：医疗联邦学习中针对缺失模态的目标自适应补全方法

Holger R. Roth, Ziyue Xu, Peter Cnudde

机构 * NVIDIA（英伟达） 纠错

AI总结 本研究针对医疗联邦学习中客户端存在缺失模态的问题，提出FedCoRe框架，通过学习表示或对数空间修正，在呼吸恶化任务中恢复了ECG和CXR缺失导致的部分性能损失。

Comments Accepted to the 7th Workshop on Distributed, Collaborative & Federated Learning, DeCaF 2026, MICCAI, Strasbourg, France