University of Toronto（多伦多大学）

Heuristic Multiobjective Discrete Optimization using Restricted Decision Diagrams

启发式多目标离散优化中的受限决策图

Rahul Patel, Elias B. Khalil, David Bergman

机构 * Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系） ； Department of Operations and Information Management, University of Connecticut（康涅狄格大学运营与信息管理系） 纠错

AI总结 本文提出基于受限决策图的启发式方法，通过不同规则、机器学习和深度学习选择节点，有效近似Pareto前沿，实验显示在多目标背包、集合包装和旅行商问题中恢复超过85%的前沿并实现2.5倍加速。

Comments To appear in the proceedings of CPAIOR 2026

Manual2Skill++: Connector-Aware General Robotic Assembly from Instruction Manuals via Vision-Language Models

Manual2Skill++: 通过视觉语言模型实现连接器感知的指令手册驱动机器人装配

Chenrui Tie, Shengxiang Sun, Yudi Lin, Yanbo Wang, Zhongrui Li, Zhouhan Zhong, Jinxuan Zhu, Yiman Pang, Haonan Chen, Junting Chen, Ruihai Wu, Lin Shao

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； University of Toronto（多伦多大学） ； Zhejiang University（浙江大学） ； Peking University（北京大学） 纠错

AI总结 本文提出Manual2Skill++框架，通过视觉语言模型从指令手册中提取结构化连接信息，构建层次化图表示，实现连接器为核心的装配任务理解与执行。

Journal ref ICRA2026

Universal Sparse Autoencoders: Interpretable Cross-Model Concept Alignment

通用稀疏自编码器：可解释的跨模型概念对齐

Harrish Thasarathan, Julian Forsyth, Thomas Fel, Matthew Kowal, Konstantinos G. Derpanis

机构 * York University（约克大学） ； University of Toronto（多伦多大学） ； Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Vector Institute（向量研究所） ； Samsung AI Centre（三星人工智能中心） ； Trajectory Labs（轨迹实验室） 纠错

AI总结 本文提出通用稀疏自编码器（USAEs），用于揭示并对齐多个预训练深度神经网络中的可解释概念。通过训练一个能重构多个模型内部激活的稀疏自编码器，USAEs发现跨任务、架构和数据集的共同因素概念，为多模型AI系统提供新的可解释分析方法。