California Institute of Technology（加州理工学院）

Arbitrary Polynomial Separations in Trainable Quantum Machine Learning

可训练量子机器学习中的任意多项式分离

Eric R. Anschuetz, Xun Gao

机构 * Institute for Quantum Information and Matter（量子信息与物质研究所） ； Walter Burke Institute for Theoretical Physics, Caltech, Pasadena, CA, USA（沃尔特·伯克理论物理研究所，卡内基梅隆大学，帕萨迪纳，CA，USA） ； MIT Center for Theoretical Physics, Cambridge, MA, USA（麻省理工学院理论物理中心，剑桥，MA，USA） ； Department of Physics, CU Boulder, Boulder, CO, USA（科罗拉多大学博尔德分校物理系） 纠错

AI总结 本文提出了一种高效可训练的量子神经网络结构，实现了在经典序列建模任务中相对于经典神经网络的任意多项式内存分离。

Comments 30 pages, 3 figures, version accepted to Quantum

Journal ref Quantum 10, 1976 (2026)

Linear Mechanisms for Spatiotemporal Reasoning in Vision Language Models

线性机制用于视觉语言模型中的时空推理

Raphi Kang, Hongqiao Chen, Georgia Gkioxari, Pietro Perona

机构 * California Institute of Technology（加利福尼亚理工学院） 纠错

AI总结 本文提出了一种线性机制用于视觉语言模型中的时空推理，通过分析空间ID和时间ID的结合，揭示了模型内部的因果推理过程，以提升模型的可解释性和设计能力。

Safe Navigation under State Uncertainty: Online Adaptation for Robust Control Barrier Functions

在状态不确定性下安全导航：面向鲁棒控制屏障函数的在线适应

Ersin Das, Rahal Nanayakkara, Xiao Tan, Ryan M. Bena, Joel W. Burdick, Paulo Tabuada, Aaron D. Ames

机构 * Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院） ； Electrical and Computer Engineering Department, University of California at Los Angeles（电气与计算机工程系，加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种基于优化的在线参数适应方案，用于改进鲁棒控制屏障函数，以提高在状态不确定性下的安全导航性能。

A Unified Masked Jigsaw Puzzle Framework for Vision and Language Models

面向视觉和语言模型的统一遮蔽拼图框架

Weixin Ye, Wei Wang, Yahui Liu, Yue Song, Bin Ren, Wei Bi, Rita Cucchiara, Nicu Sebe

机构 * Beijing Jiaotong University（北京交通大学） ； Kuaishou（快手） ； Hong Kong University of Science and Technology（香港科技大学） ； Caltech（加州理工学院） ； University of Trento（特伦特大学） ； University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） 纠错

AI总结 本文提出MJP框架，通过随机token洗牌和未知位置嵌入遮蔽，提升Transformer模型在视觉和语言任务中的鲁棒性与性能。

Comments 9 figures, 12 tables

LeanProgress: Guiding Search for Neural Theorem Proving via Proof Progress Prediction

LeanProgress: 通过证明进度预测引导神经定理证明的搜索

Robert Joseph George, Suozhi Huang, Peiyang Song, Anima Anandkumar

机构 * Computing + Mathematical Sciences Department（计算与数学科学系） ； California Institute of Technology（加利福尼亚理工学院） ； Computer Science Department（计算机科学系） ； Princeton University（普林斯顿大学） 纠错

AI总结 LeanProgress通过预测证明进度提升神经定理证明效率，实现Mathlib4证明效率提升3.8%

Comments Published in TMLR (Transactions on Machine Learning Research)