Georgia Institute of Technology（佐治亚理工学院）

OpenRubrics: Towards Scalable Synthetic Rubric Generation for Reward Modeling and LLM Alignment

OpenRubrics: 向奖励建模和大语言模型对齐的可扩展合成 rubric 生成迈进

Tianci Liu, Ran Xu, Tony Yu, Ilgee Hong, Carl Yang, Tuo Zhao, Haoyu Wang

机构 * Purdue University（普渡大学） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University at Albany（阿尔巴尼大学） 纠错

AI总结 OpenRubrics 提出了一种基于对比的 rubric 生成方法，通过大规模（提示，rubric）对提升奖励建模和大语言模型对齐的性能。

Comments The first two authors contributed equally. Updated OpenRubrics dataset, RMs, and results

Enhanced Parcel Arrival Forecasting for Logistic Hubs: An Ensemble Deep Learning Approach

增强型物流枢纽包裹到达预测：一种集成深度学习方法

Xinyue Pan, Yujia Xu, Benoit Montreuil

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出了一种集成深度学习方法，用于增强物流枢纽的包裹到达预测，通过结合历史数据和实时信息提升预测准确性，以优化物流运营效率。

Learning Fast Monomial Orders for Gröbner Basis Computations

学习快速的单项式顺序用于格雷勃纳基计算

R. Caleb Bunch, Alperen A. Ergür, Melika Golestani, Jessie Tong, Malia Walewski, Yunus E. Zeytuncu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； San Diego State University（圣地亚哥州立大学） ； Emory University（埃默里大学） ； University of Michigan–Dearborn（密歇根大学迪尔伯恩分校） 纠错

AI总结 本文提出利用深度强化学习学习快速单项式顺序以提高格雷勃纳基计算效率，通过领域指导的奖励信号和高效估计方法，在系统生物学和计算机视觉任务中实现计算成本的显著降低。

HALT: Hallucination Assessment via Log-probs as Time series

HALT：通过log-prob作为时间序列进行幻觉评估

Ahmad Shapiro, Karan Taneja, Ashok Goel

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 HALT通过log-prob时间序列检测幻觉，比Lettuce更高效且兼容专有模型。

When Noise Lowers The Loss: Rethinking Likelihood-Based Evaluation in Music Large Language Models

噪声降低损失：重新思考音乐大语言模型中的基于似然的评估

Xiaosha Li, Chun Liu, Ziyu Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； ByteDance Inc.（字节跳动公司） ； Courant Institute of Mathematical Sciences, New York University（纽约大学应用数学科学研究所） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（Mohamed bin Zayed人工智能大学） 纠错

AI总结 本文提出通过损失曲线形状而非绝对值来评估音乐生成质量，揭示模型对局部破坏的敏感性，为更有效的训练目标和基准提供新思路。

Comments Accepted by IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2026

CAPS: Unifying Attention, Recurrence, and Alignment in Transformer-based Time Series Forecasting

CAPS：在基于变换器的时间序列预测中统一注意力、递归和对齐

Viresh Pati, Yubin Kim, Vinh Pham, Jevon Twitty, Shihao Yang, Jiecheng Lu

机构 * Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院） 纠错

AI总结 CAPS通过结合SO(2)旋转和三种加法门控路径，实现了在时间序列预测中统一注意力、递归和对齐，提升了长期和短期预测性能。

Perfusion Imaging and Single Material Reconstruction in Polychromatic Photon Counting CT

灌注成像与单材料重建在多能X射线计数CT中的应用

Namhoon Kim, Ashwin Pananjady, Amir Pourmorteza, Sara Fridovich-Keil

机构 * School of Industrial and Systems Engineering（工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Department of Radiology and Imaging Sciences（放射学与影像科学系） ； Emory University School of Medicine（埃默里大学医学院） ； Winship Cancer Institute（Winship癌症研究所） ； Emory University（埃默里大学） ； Department of Biomedical Engineering（生物医学工程系） 纠错

AI总结 本文提出VI-PRISM算法，用于低剂量灌注CT中的单材料重建，实现比传统方法更精确且更高效的对比剂浓度成像。

Comments Code is available at https://github.com/voilalab/VI-PRISM

Copula-Based Aggregation and Context-Aware Conformal Prediction for Reliable Renewable Energy Forecasting

基于Copula的聚合与上下文感知的符合预测用于可靠的可再生能源预测

Alireza Moradi, Mathieu Tanneau, Reza Zandehshahvar, Pascal Van Hentenryck

机构 * NSF Artificial Intelligence Institute for Advances in Optimization（NSF人工智能优化研究所） ； H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出基于Copula和上下文感知符合预测的聚合方法，用于在无法训练系统级模型时实现可靠可再生能源预测。

Trajectory Consistency for One-Step Generation on Euler Mean Flows

Euler均流用于欧拉步生成的轨迹一致性

Zhiqi Li, Yuchen Sun, Duowen Chen, Jinjin He, Bo Zhu

机构 * College of Computing, Georgia Tech, Location, Country（计算学院，佐治亚理工学院） 纠错

AI总结 本文提出Euler均流框架，通过线性替代物实现长时间轨迹一致性，提升生成稳定性与效率，减少训练时间和内存消耗。

Comments 40 pages, 27 figures

DuoGen: Towards General Purpose Interleaved Multimodal Generation

DuoGen：迈向通用的交错多模态生成

Min Shi, Xiaohui Zeng, Jiannan Huang, Yin Cui, Francesco Ferroni, Jialuo Li, Shubham Pachori, Zhaoshuo Li, Yogesh Balaji, Haoxiang Wang, Tsung-Yi Lin, Xiao Fu, Yue Zhao, Chieh-Yun Chen, Ming-Yu Liu, Humphrey Shi

机构 * Georgia Tech（佐治亚理工学院） ； NVIDIA research.nvidia.com/labs/dir/duogen（NVIDIA 研究所） 纠错

AI总结 DuoGen通过系统性地解决数据整理、架构设计和评估问题，实现了通用的交错多模态生成，提升了文本质量、图像保真度和图像-上下文对齐性能。

Comments Technical Report. Project Page: https://research.nvidia.com/labs/dir/duogen/

Differentially Private Relational Learning with Entity-level Privacy Guarantees

具有实体级隐私保证的差分隐私关系学习

Yinan Huang, Haoteng Yin, Eli Chien, Rongzhe Wei, Pan Li

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Purdue University（普渡大学） 纠错

AI总结 本文提出了一种具有实体级差分隐私保证的关系学习框架，通过自适应梯度裁剪和隐私放大分析，实现对关系数据的隐私保护与模型训练的平衡。