The Sample Complexity of Replicable Realizable PAC Learning
可复制可实现PAC学习的样本复杂性
机构 * Computer Science Department, Aarhus University（奥胡斯大学计算机科学系） ； Stanford University（斯坦福大学）
AI总结 本文研究了可复制可实现PAC学习的样本复杂性，提出了一个下界并展示了几乎匹配的上界，通过分析Cayley图的谱性质得出结果。
高校专区
Stanford University（斯坦福大学）
Redefining the Down-Sampling Scheme of U-Net for Precision Biomedical Image Segmentation
重新定义U-Net的下采样方案以实现精准生物医学图像分割
机构 * Department of Radiation Oncology Stanford University（放射肿瘤科 斯坦福大学）
AI总结 本文提出阶梯池化方法，通过调节下采样节奏减少信息损失，提升U-Net在生物医学图像分割中的精度与性能。
Comments AAPM 67th
WildOS: Open-Vocabulary Object Search in the Wild
WildOS: 野外环境中的开放词汇物体搜索
机构 * Jet Propulsion Laboratory（喷气推进实验室） ； California Institute of Technology（加州理工学院） ； Swiss Federal Institute of Technology（瑞士联邦理工学院） ； ETH Zürich（苏黎世联邦理工学院） ； FieldAI Inc.（FieldAI公司） ； Stanford University（斯坦福大学） ； University of California Berkeley（加州大学伯克利分校）
AI总结 WildOS通过结合安全几何探索与语义视觉推理，实现野外环境中的开放词汇物体搜索，显著提升导航效率和自主性。
Comments 28 pages, 16 figures, 2 tables
ODESteer: A Unified ODE-Based Steering Framework for LLM Alignment
ODESteer: 一种基于常微分方程的统一激活引导框架用于大语言模型对齐
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Northwestern University（西北大学） ； William & Mary（威廉与玛丽学院） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学）
AI总结 ODESteer通过基于常微分方程的理论框架，统一了激活引导方法，实现了在大语言模型对齐中的显著性能提升。
Comments Accepted by ICLR 2026 (Camera Ready Version)
StreamDiffusionV2: A Streaming System for Dynamic and Interactive Video Generation
StreamDiffusionV2：动态交互视频生成的流式系统
机构 * Stanford University（斯坦福大学） ； MIT（麻省理工学院）
AI总结 StreamDiffusionV2通过无训练管道和系统级优化，实现了低延迟、高效率的实时视频生成，支持灵活的去噪步骤和多GPU扩展，推动生成直播的实用化和普及。
Comments Accepted by MLSys 2026. Project Page: http://streamdiffusionv2.github.io
$O(1/k)$ Finite-Time Bound for Non-Linear Two-Time-Scale Stochastic Approximation
O(1/k) 有限时间界用于非线性双时间尺度随机逼近
机构 * Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学）
AI总结 本文提出了一种非线性双时间尺度随机逼近算法，首次在O(1/k)速率下实现了有限时间界，适用于强化学习、优化和游戏控制等领域。
Comments Submitted to IEEE Transactions on Automatic Control
The Doctor Will (Still) See You Now: On the Structural Limits of Agentic AI in Healthcare
医生还会见你：论代理AI在医疗领域的结构性限制
机构 * Stanford University（斯坦福大学） ； University of Florida（佛罗里达大学） ； Montclair State University（蒙特克莱尔州立大学）
AI总结 本文探讨了代理AI在医疗领域应用中的结构性限制，指出技术期望、商业激励和临床约束的交汇对患者安全和责任归属产生实质性影响。
Comments 17 pages, 3 pages of appendix, 4 tables
SAGE: Scalable Agentic 3D Scene Generation for Embodied AI
SAGE: 适用于具身人工智能的可扩展代理3D场景生成
机构 * NVIDIA ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学）
AI总结 SAGE通过代理框架生成可扩展的3D环境，用于具身人工智能的策略训练和泛化能力提升。
Comments Project Page: https://research.nvidia.com/labs/dir/sage/
CMT: Mid-Training for Efficient Learning of Consistency, Mean Flow, and Flow Map Models
CMT：中期训练用于高效学习一致性、均流和流映射模型
机构 * Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团） ； Stanford University（斯坦福大学）
AI总结 CMT通过中期训练方法，实现流映射模型高效稳定训练，显著提升生成质量并减少训练成本。
Comments ICLR 2026. Code available at https://github.com/sony/cmt
DriftLite: Lightweight Drift Control for Inference-Time Scaling of Diffusion Models
DriftLite: 轻量级漂移控制用于扩散模型的推理时间缩放
机构 * Institute for Computational and Mathematical Engineering, Stanford University（计算与数学工程研究所，斯坦福大学） ； Department of Chemistry, Stanford University（化学系，斯坦福大学） ； Department of Mathematics, Stanford University（数学系，斯坦福大学） ； Center for Computational Mathematics, Flatiron Institute（计算数学中心，Flatiron研究所）
AI总结 DriftLite 提出了一种轻量级、无需训练的基于粒子的方法，通过实时引导推理动态，有效减少方差并提升样本质量，实现扩散模型的可扩展推理时间适应。
Comments Published at ICLR 2026 (https://openreview.net/forum?id=l01eG3Qikl)
vCache: Verified Semantic Prompt Caching
vCache: 验证的语义提示缓存
机构 * University of California, Berkeley（加州大学伯克利分校） ； Technical University of Munich（慕尼黑技术大学） ； ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学）
AI总结 vCache是一种具有用户定义误差率保证的验证语义缓存，通过在线学习算法动态优化阈值，实现更高的缓存命中率和更低的错误率。
Comments ICLR 2026 (accepted)
