Massachusetts Institute of Technology（麻省理工学院）

See Less, Drive Better: Generalizable End-to-End Autonomous Driving via Foundation Models Stochastic Patch Selection

见少，驾驶更佳：通过基础模型随机补丁选择实现通用端到端自动驾驶

Amir Mallak, Erfan Aasi, Shiva Sreeram, Tsun-Hsuan Wang, Daniela Rus, Alaa Maalouf

机构 * University of Haifa（海法大学） ； CSAIL, MIT（MIT计算机科学与人工智能实验室） 纠错

AI总结 通过随机补丁选择提升自动驾驶策略的鲁棒性和泛化能力，实现更高效且更稳健的端到端自动驾驶

Generative AI collective behavior needs an interactionist paradigm

生成式AI的集体行为需要一种互动主义范式

Laura Ferrarotti, Gian Maria Campedelli, Roberto Dessì, Andrea Baronchelli, Giovanni Iacca, Kathleen M. Carley, Alex Pentland, Joel Z. Leibo, James Evans, Bruno Lepri

机构 * Fondazione Bruno Kessler（布雷诺·克塞尔基金会） ； University of Trento（特伦托大学） ； Not Diamond ； City St. George’s University of London（伦敦圣乔治大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） ； University of Chicago（芝加哥大学） 纠错

AI总结 本文提出生成式AI的集体行为研究需采用互动主义范式，以系统分析知识与社会情境的交互作用。

Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning

协同多智能体测试时间强化学习用于推理

Zhiyuan Hu, Yunhai Hu, Juncheng Liu, Shuyue Stella Li, Yucheng Wang, Zhen Xu, See-Kiong Ng, Anh Tuan Luu, Xinxing Xu, Bryan Hooi, Cynthia Breazeal, Hae Won Park

机构 * MIT（麻省理工学院） ； NUS（新加坡国立大学） ； NYU（纽约大学） ； Microsoft（微软） ； Columbia（哥伦比亚大学） ； NTU（国立科技大学） 纠错

AI总结 MATTRL通过在推理阶段注入结构化文本经验，提升多智能体在医学、数学和教育等领域的推理准确性，比多智能体基线提升3.67%，比单智能体基线提升8.67%。

Comments Work in Progress

Bayesian Teaching Enables Probabilistic Reasoning in Large Language Models

贝叶斯教学使大语言模型具备概率推理能力

Linlu Qiu, Fei Sha, Kelsey Allen, Yoon Kim, Tal Linzen, Sjoerd van Steenkiste

机构 * MIT（麻省理工学院） ； Meta ； Google（谷歌公司） ； DeepMind University of British Columbia（不列颠哥伦比亚大学深度思维学院） ； Vector Institute（向量研究所） ； New York University（纽约大学） ； Google Research（谷歌研究） 纠错

AI总结 通过教学使大语言模型模仿贝叶斯模型预测，提升其概率推理能力并推广至新任务。

Comments Nature Communications

Wavelet-based Multi-View Fusion of 4D Radar Tensor and Camera for Robust 3D Object Detection

基于小波的4D雷达张量与相机多视图融合用于鲁棒3D目标检测

Runwei Guan, Jianan Liu, Shaofeng Liang, Fangqiang Ding, Shanliang Yao, Xiaokai Bai, Daizong Liu, Tao Huang, Guoqiang Mao, Hui Xiong

机构 * Thrust of Artificial Intelligence, Hong Kong University of Science and Technology (Guangzhou)（人工智能 thrust，香港科技大学（广州）） ； Momoniai AI ； Department of Mechanical Engineering, Massachusetts Institute of Technology（机械工程系，麻省理工学院） ； School of Information Engineering, Yancheng Institute of Technology（信息工程学院，盐城科技学院） ； College of Information Science and Electronic Engineering, Zhejiang University（信息科学与电子工程学院，浙江大学） ； Institute for Math & AI, Wuhan University（数学与人工智能研究所，武汉大学） ； College of Science and Engineering and the Centre for AI and Data Science Innovation, James Cook University（科学与工程学院及人工智能与数据科学创新中心，詹姆斯库克大学） ； School of Transportation, Southeast University（交通运输学院，东南大学） 纠错

AI总结 WRCFormer通过小波注意力模块和几何引导渐进融合机制，高效融合4D雷达张量与相机图像，提升3D目标检测在恶劣天气下的鲁棒性。

Comments 10 pages, 10 figures

Geometric Algorithms for Neural Combinatorial Optimization with Constraints

带有约束条件的神经组合优化的几何算法

Nikolaos Karalias, Akbar Rafiey, Yifei Xu, Zhishang Luo, Behrooz Tahmasebi, Connie Jiang, Stefanie Jegelka

机构 * MIT（麻省理工学院） ； NYU（纽约大学） ； UCSD（加州大学圣迭戈分校） ； TUM（慕尼黑技术大学） 纠错

AI总结 本文提出了一种基于几何算法的神经组合优化方法，通过分解神经网络输出为凸组合，解决具有离散约束的优化问题，并在多种组合优化任务中取得优于基线的表现。

The Open Proof Corpus: A Large-Scale Study of LLM-Generated Mathematical Proofs

开放证明语料库：大规模研究LLM生成的数学证明

Jasper Dekoninck, Ivo Petrov, Kristian Minchev, Mislav Balunovic, Martin Vechev, Miroslav Marinov, Maria Drencheva, Lyuba Konova, Milen Shumanov, Kaloyan Tsvetkov, Nikolay Drenchev, Lazar Todorov, Kalina Nikolova, Nikolay Georgiev, Vanesa Kalinkova, Margulan Ismoldayev

机构 * ETH Zurich（苏黎世联邦理工学院） ； INSAIT, Sofia University "St. Kliment Ohridski"（INSAIT，索菲亚大学"圣克莱门特·欧赫里德斯基"） ； Institute of Mathematics and Informatics, Bulgarian Academy of Sciences（保加利亚科学院数学与信息学研究所） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 开放证明语料库通过大规模研究LLM生成的数学证明，探索自动化证明生成中的关键问题，包括自然语言与形式证明的性能差距、最终答案准确性与完整证明有效性之间的差异，以及最佳n选择对证明质量的影响。

Online Scheduling for LLM Inference with KV Cache Constraints

在线调度用于具有KV缓存约束的LLM推理

Patrick Jaillet, Jiashuo Jiang, Konstantina Mellou, Marco Molinaro, Chara Podimata, Zijie Zhou

机构 * Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电子工程与计算机科学系） ； HKUST（香港科技大学） ； Microsoft Research（微软研究院） ； Sloan School of Management, Massachusetts Institute of Technology（斯隆管理学院，麻省理工学院） ； Operations Research Center, Massachusetts Institute of Technology（运营研究中心，麻省理工学院） 纠错

AI总结 本文提出了一种在线调度算法，通过理论建模和实证验证，在管理KV缓存内存的同时最小化LLM推理延迟，显著优于现有基准算法。

Persistent Homology via Ellipsoids

通过椭球体进行持久同调

Niklas Canova, Sara Kališnik, Aaron Moser, Bastian Rieck, Ana Žegarac

机构 * ETH Zurich（苏黎世联邦理工学院） ； Pennsylvania State University（宾夕法尼亚州立大学） ； MIT（麻省理工学院） ； University of Fribourg（弗里堡大学） 纠错

AI总结 本文提出了一种基于椭球体的Rips型复形，用于改进拓扑数据分析中的持久同调计算，通过主成分分析估计切线空间并验证其在分类任务中的优越性。