University of Toronto（多伦多大学）

Generative AI Spotlights the Human Core of Data Science: Implications for Education

生成AI揭示数据科学的人类核心：对教育的影响

Nathan Taback

机构 * University of Toronto（多伦多大学） 纠错

AI总结 生成AI揭示数据科学中不可还原的人类核心，教育应强化人类推理能力，通过迭代提示-输出-提示循环提升学生贡献能力，评估应侧重推理与判断。

DriveDreamer-Policy: A Geometry-Grounded World-Action Model for Unified Generation and Planning

DriveDreamer-Policy: 一种基于几何的世界-动作模型用于统一生成与规划

Yang Zhou, Xiaofeng Wang, Hao Shao, Letian Wang, Guosheng Zhao, Jiangnan Shao, Jiagang Zhu, Tingdong Yu, Zheng Zhu, Guan Huang, Steven L. Waslander

机构 * GigaAI ； University of Toronto（多伦多大学） ； CUHK MMLab（香港中文大学多媒体实验室） 纠错

AI总结 本文提出DriveDreamer-Policy，结合深度生成、未来视频生成与运动规划，通过几何感知的世界表示提升生成与规划的连贯性与准确性。

Comments 11 pages, 4 figures; Project Website: https://drivedreamer-policy.github.io/

Efficient Equivariant Transformer for Self-Driving Agent Modeling

高效等价变换器用于自动驾驶代理建模

Scott Xu, Dian Chen, Kelvin Wong, Chris Zhang, Kion Fallah, Raquel Urtasun

机构 * Waabi ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出DriveGATr，一种基于变换器的架构，通过多向量在2D投影几何代数中建模几何关系，实现SE(2)-等价性，无需显式成对相对位置编码，提升大规模场景下的效率。

Comments CVPR 2026

Neural Robust Control on Lie Groups Using Contraction Methods (Extended Version)

在李群上使用收缩方法的神经鲁棒控制（扩展版）

Yi Lok Lo, Longhao Qian, Hugh H. T. Liu

机构 * Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所） 纠错

AI总结 本文提出了一种学习框架，用于在李群上动态系统合成鲁棒控制器。通过联合训练鲁棒控制收缩度量（RCCM）和神经反馈控制器，确保在李群流形上满足收缩条件。研究得出了RCCM和神经控制器存在的充分条件，确保在尊重流形结构几何约束的同时，建立依赖扰动的管状边界以限制输出轨迹。

Comments An extended version of the conference paper submitted for publication in IEEE Conference of Decision and Control

ReFormeR: Learning and Applying Explicit Query Reformulation Patterns

ReFormeR：学习和应用显式查询改写模式

Amin Bigdeli, Mert Incesu, Negar Arabzadeh, Charles L. A. Clarke, Ebrahim Bagheri

机构 * University of Waterloo（滑铁卢大学） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 ReFormeR通过提取并整合查询改写模式，引导LLM进行受控的改写操作，提升检索效果。

Model Merging via Data-Free Covariance Estimation

通过无数据协方差估计进行模型融合

Marawan Gamal Abdel Hameed, Derek Tam, Pascal Jr Tikeng Notsawo, Colin Raffel, Guillaume Rabusseau

机构 * University of Toronto & Vector Institute（多伦多大学与向量研究所） ； CIFAR AI Chair（CIFAR人工智能讲席） 纠错

AI总结 本文提出一种无数据协方差估计方法，用于减少任务间干扰，实现高效模型融合，优于现有无数据方法。

Beyond Laplace and Gaussian: Exploring the Generalized Gaussian Mechanism for Private Machine Learning

超越拉普拉斯和高斯：探索通用高斯机制用于隐私机器学习

Roy Rinberg, Ilia Shumailov, Vikrant Singhal, Rachel Cummings, Nicolas Papernot

机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Columbia University（哥伦比亚大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

AI总结 本文研究了通用高斯机制在隐私保护机器学习中的应用，证明其满足差分隐私，并在PATE和DP-SGD中验证了其有效性，表明高斯机制在可计算范围内表现优异。