A Semi-Decentralized Approach to Multiagent Control
多智能体控制的半去中心化方法
机构 * Stanford University（斯坦福大学） ； Northeastern University（东北大学）
AI总结 本文提出半去中心化方法，用于解决多智能体控制中的通信不确定性问题，通过SDec-POMDP框架统一了去中心化和多智能体POMDP，并引入RS-SDA*算法生成最优策略。
高校专区
Stanford University（斯坦福大学）
Deployment-Time Reliability of Learned Robot Policies
部署时学习机器人策略的可靠性
机构 * STANFORD UNIVERSITY（斯坦福大学）
AI总结 本文研究了如何通过部署时机制提升学习机器人策略的可靠性，提出运行时监控、数据驱动的可解释性框架及长周期任务执行方法，以应对部署中的分布偏移、误差叠加和复杂依赖性问题。
Comments Stanford University PhD dissertation, 2026. 182 pages, 37 figures. Available from Stanford Digital Repository
The Unlearning Mirage: A Dynamic Framework for Evaluating LLM Unlearning
消除幻觉：一种动态框架用于评估大语言模型的消除
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Stanford University（斯坦福大学） ； IBM Research（IBM研究院）
AI总结 本文提出了一种动态框架，用于评估大语言模型消除方法的鲁棒性，通过复杂结构查询揭示消除技术在多跳设置中的脆弱性，并提供可扩展的评估方法。
Comments Published at COLM 2025
Computational Pathology in the Era of Emerging Foundation and Agentic AI -- International Expert Perspectives on Clinical Integration and Translational Readiness
在新兴基础和代理AI时代 computational pathology 的发展——国际专家对临床整合与转化准备的视角
机构 * Department of Pathology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China（复旦大学附属中山医院病理科，上海交通大学医学院，上海，中国） ； Department of Radiation Oncology, Stanford University School of Medicine, Stanford, CA, USA（斯坦福大学医学院放射肿瘤科，斯坦福，加利福尼亚州，美国） ； Department of Basic Education, Qingdao City University, Qingdao, Shandong, China（青岛城市大学基础教育系，青岛，山东省，中国） ； Department of Human Genetics, the University of Chicago, Chicago, IL, USA（芝加哥大学人类遗传学系，芝加哥，伊利诺伊州，美国） ； Department of Computer Science, University of Warwick, Coventry UK（沃里克大学计算机科学系，科文特里，英国） ； Department of Electrical and Computer Engineering, Carnegie Mellon University, Pittsburgh, Pennsylvania, USA（卡内基梅隆大学电气与计算机工程系，匹兹堡，宾夕法尼亚州，美国） ； Department of Neurosurgery, Stanford University School of Medicine, Stanford, CA, USA（斯坦福大学医学院神经外科，斯坦福，加利福尼亚州，美国） ； Department of Biomedical Informatics, Harvard Medical School, Boston, MA, USA（哈佛医学院生物医学信息学系，波士顿，马萨诸塞州，美国）
AI总结 本文探讨新兴基础和代理AI在计算病理学中的临床整合与转化准备，分析技术成熟度、经济监管及实际应用挑战，提供国际专家对当前能力与障碍的评估。
Efficient Construction of Implicit Surface Models From a Single Image for Motion Generation
从单张图像高效构建隐式表面模型用于运动生成
机构 * Department of Electrical Engineering, Stanford University, USA（美国斯坦福大学电气工程系） ； Aurora Innovation, USA（美国Aurora Innovation公司） ； School of Computer Science, The University of Sydney, Australia（澳大利亚悉尼大学计算机科学学院） ； Australian Centre for Robotics, The University of Sydney, Australia（澳大利亚悉尼大学机器人中心） ； College of Connected Computing, Vanderbilt University, USA（美国范德比尔特大学连接计算学院）
AI总结 本文提出FINS框架，通过单张图像高效重建高保真表面和SDF场，提升机器人运动生成的效率和精度。
Comments 9 pages, 6 figures, 2026 IEEE International Conference on Robotics and Automation (ICRA)
