Stanford University（斯坦福大学）

From Pixels to Nucleotides: End-to-End Token-Based Video Compression for DNA Storage

从像素到核苷酸：面向DNA存储的端到端令牌化视频压缩

Cihan Ruan, Lebin Zhou, Bingqing Zhao, Rongduo Han, Qiming Yuan, Chenchen Zhu, Linyi Han, Liang Yang, Wei Wang, Wei Jiang, Nam Ling

机构 * Santa Clara University（圣克拉拉大学） ； Stanford University（斯坦福大学） ； Nankai University（南开大学） ； Futurewei Technologies（未来科技） 纠错

AI总结 本文提出HELIX，首个端到端神经网络，联合优化视频压缩与DNA编码，通过令牌化表示与DNA四字母碱基自然对齐，实现1.91 bits per nucleotide的高效压缩。

Linear Probe Accuracy Scales with Model Size and Benefits from Multi-Layer Ensembling

线性探针的准确性与模型规模成正比，并受益于多层集成

Erik Nordby, Tasha Pais, Aviel Parrack

机构 * Georgia Institute of Technology, Atlanta, Georgia, USA（佐治亚理工学院） ； Independent Researcher（独立研究者） ； Stanford University, Stanford, California, USA（斯坦福大学） 纠错

AI总结 研究显示，多层集成的线性探针在多个任务中优于单层探针，提升AUROC性能，并发现模型规模与探针准确性呈正相关。

Boundary Sampling to Learn Predictive Safety Filters via Pontryagin's Maximum Principle

边界采样以通过庞特里亚金极大值原理学习预测安全过滤器

James Dallas, Thomas Lew, John Talbot, Jonathan DeCastro, Somil Bansal, John Subosits

机构 * Toyota Research Institute（丰田研究院） ； Department of Aeronautics and Astronautics, Stanford University（斯坦福大学航空与宇航科学系） 纠错

AI总结 本文通过庞特里亚金极大值原理识别接近安全违规的轨迹，用于指导数据收集，提升学习效率，改进安全过滤器性能。

Comments This work has been submitted to the IEEE for possible publication

Some Theoretical Limitations of t-SNE

t-SNE的一些理论限制

Rupert Li, Elchanan Mossel

机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本文探讨了t-SNE在降维过程中丢失数据重要特征的理论限制，通过不同场景的结果分析揭示了其信息丢失机制。

Comments 19 pages, 7 figures

Cost-optimal Sequential Testing via Doubly Robust Q-learning

通过双重鲁棒Q学习实现成本最优的顺序测试

Doudou Zhou, Yiran Zhang, Dian Jin, Yingye Zheng, Lu Tian, Tianxi Cai

机构 * Department of Statistics and Data Science, National University of Singapore（国立新加坡大学统计与数据科学系） ； Public Health Sciences Division, Fred Hutch（Fred Hutch公共卫生科学系） ； Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学系） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院生物统计学系） 纠错

AI总结 本文研究从回顾数据中学习成本最优的顺序决策策略，提出双重鲁棒Q学习框架以估计最优策略，通过路径特定逆概率加权和辅助对比模型构建正交伪结果，实现无偏策略学习。

ViBES: A Conversational Agent with Behaviorally-Intelligent 3D Virtual Body

ViBES：一个具有行为智能的3D虚拟身体对话代理

Juze Zhang, Changan Chen, Xin Chen, Heng Yu, Tiange Xiang, Ali Sartaz Khan, Shrinidhi K. Lakshmikanth, Ehsan Adeli

机构 * Stanford University（斯坦福大学） ； ByteDance（字节跳动） 纠错

AI总结 ViBES通过联合规划语言和运动，实现对话条件下的身体动作生成，提升了多轮对话中的社会交互能力。

Comments Project page: https://ai.stanford.edu/~juze/ViBES/. Accepted by CVPR 2026

Robust Verification of Controllers under State Uncertainty via Hamilton-Jacobi Reachability Analysis

通过汉密尔顿-雅可比可达性分析实现感知控制器的鲁棒验证

Albert Lin, Alessandro Pinto, Somil Bansal

机构 * Stanford University（斯坦福大学） ； NASA Jet Propulsion Laboratory（美国宇航局喷气推进实验室） 纠错

AI总结 本文提出RoVer-CoRe框架，利用汉密尔顿-雅可比可达性分析对感知系统进行鲁棒验证，通过整合控制器、观测函数和状态估计模块，实现对非线性、非凸、学习驱动等复杂系统的安全性和性能验证。

Comments Accepted to the 8th Annual Learning for Dynamics & Control Conference

Modeling Student Learning with 3.8 Million Program Traces

用380万条程序轨迹建模学生学习

Alexis Ross, Megha Srivastava, Jeremiah Blanchard, Jacob Andreas

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Stanford University（斯坦福大学） ； University of Florida（佛罗里达大学） 纠错

AI总结 本文通过分析380万条程序轨迹，探讨训练语言模型以理解学生编程行为及学习过程，发现基于真实轨迹的模型能更准确预测学生行为并生成更正确的代码。

Comments Accepted to 27th International Conference on AI in Education (AIED 2026)

Convex Hulls of Reachable Sets

可达集的凸包

Thomas Lew, Riccardo Bonalli, Marco Pavone

机构 * Toyota Research Institute（丰田研究院） ； Paris-Saclay University（巴黎-萨克雷大学） ； CentraleSupélec（中央超导大学） ； Stanford University（斯坦福大学） 纠错

AI总结 研究非线性系统在有界扰动和不确定初始条件下的可达集的凸包，提出基于常微分方程解的有限维表征，设计高效采样算法并分析误差界，应用于神经反馈回路分析和鲁棒MPC。

Comments 20 pages. IEEE Transactions on Automatic Control 2025. Simplified maximality condition (no minus sign)