University of Toronto（多伦多大学）

Exploiting Differential Flatness for Efficient Learning-based Model Predictive Control of Constrained Multi-Input Control Affine Systems

利用微分平坦性实现受限多输入控制仿射系统的高效基于学习的模型预测控制

Tobias A. Farger, Adam W. Hall, Angela P. Schoellig

机构 * Learning Systems and Robotics Lab at the Technical University of Munich（慕尼黑技术大学学习系统与机器人实验室） ； Learning Systems and Robotics Lab at the University of Toronto Institute for Aerospace Studies (UTIAS) and the Vector Institute for Artificial Intelligence（多伦多航空航天研究所（UTIAS）和向量人工智能研究所的学习系统与机器人实验室） 纠错

AI总结 本文提出利用微分平坦性改进基于学习的模型预测控制，通过系统扩展和块对角成本公式，有效控制多输入非线性仿射系统，并保证概率Lyapunov减小。

Comments Accepted for publication in 2026 European Control Conference

PeeriScope: A Multi-Faceted Framework for Evaluating Peer Review Quality

PeeriScope：一个多维度评估同行评审质量的框架

Sajad Ebrahimi, Soroush Sadeghian, Ali Ghorbanpour, Negar Arabzadeh, Sara Salamat, Seyed Mohammad Hosseini, Hai Son Le, Mahdi Bashari, Ebrahim Bagheri

机构 * Reviewerly, University of Toronto（Reviewerly大学多伦多分校） 纠错

AI总结 本文提出PeeriScope框架，整合结构化特征、基于评分表的大语言模型评估和监督预测，用于多维度评估同行评审质量，支持开放接口和API部署，可用于评审自评、编辑筛选和大规模审计。

An AI-Based Supervisory Measurement Integrity Validation Layer for Cyber-Resilient AC/DC Protection in Inverter-Based Microgrids

基于人工智能的监督测量完整性验证层用于逆变器主导微电网的网络安全保护

Ahmad Mohammad Saber, Ahmed Saber Refae, Davor Svetinovic, Hatem Zeineldin, Amr Youssef, Ehab F. El-Saadany, Deepa Kundur

机构 * Department of Electrical and Computer Engineering, University of Toronto（多伦多大学电气与计算机工程系） ； Electric Power Engineering Department, Cairo University（开罗大学电力工程系） ； Department of Electrical Engineering, Khalifa University（哈利法大学电气工程系） ； Concordia Institute for Information Systems Engineering (CIISE), Concordia University（康卡迪亚大学信息系统工程研究所） 纠错

AI总结 本文提出一种基于人工智能的监督测量完整性验证方案，用于检测逆变器主导微电网中因虚假数据注入攻击导致的测量异常，通过训练循环神经网络分析同步的瞬时电流测量数据，实现对故障轨迹与网络测量流的区分。

Tube Diffusion Policy: Reactive Visual-Tactile Policy Learning for Contact-rich Manipulation

管扩散策略：面向富接触操作的反应式视觉-触觉策略学习

Teng Xue, Alberto Rigo, Bingjian Huang, Jiayi Shen, Zhengtong Xu, Nick Colonnese, Amirhossein H. Memar

机构 * Meta Reality Labs Research（Meta现实实验室） ； Idiap Research Institute（Idiap研究机构） ； École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院） ； University of Toronto（多伦多大学） ； Purdue University（普渡大学） 纠错

AI总结 本文提出Tube Diffusion Policy，通过结合扩散模型与管反馈控制，解决富接触操作中对不确定性和高频触觉反馈的快速反应需求，实验验证其在多种任务中的优越性能。

BurstGP: Enhancing Raw Burst Image Super Resolution with Generative Priors

BurstGP: 通过生成先验增强原始burst图像超分辨率

Dong Huo, Tristan Aumentado-Armstrong, Samrudhdhi B. Rangrej, Maitreya Suin, Angela Ning Ye, Zhiming Hu, Amanpreet Walia, Amirhossein Kazerouni, Konstantinos G. Derpanis, Iqbal Mohomed, Alex Levinshtein

机构 * AI Center - Toronto, Samsung Electronics（多伦多AI中心、三星电子） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； University Health Network（大学健康网络） ； York University（约克大学） 纠错

AI总结 本文提出BurstGP，一种基于扩散模型的burst图像超分辨率方法，利用生成先验解决传统方法在复杂纹理和过度平滑上的不足，通过多帧感知扩散模型和降质感知条件机制提升图像质量。

Comments 37 pages, 13 figures

Machine learning models for estimating counterfactuals in a single-arm inflammatory bowel disease study

用于单臂炎症性肠病研究中估计反事实的机器学习模型

Dan Liu, Fida K. Dankar, Jennifer C. deBruyn, Amanda Ricciuto, Anne M. Griffiths, Thomas D. Walters, Khaled EI Emam

机构 * Children’s Hospital of Eastern Ontario Research Institute（东部安大略儿童医院研究所在） ； School of Epidemiology and Public Health, University of Ottawa（渥太华大学流行病学与公共卫生学院） ； Alberta Children’s Hospital（阿尔伯塔儿童医院） ； University of Calgary（卡尔加里大学） ； University of Toronto（多伦多大学） ； Hospital for Sick Children（sick children 医院） 纠错

AI总结 本文提出利用机器学习模型构建虚拟对照组，预测ADA治疗儿童克罗恩病的1年无类固醇临床缓解及CRP-无类固醇临床缓解，与倾向评分匹配结果对比，验证虚拟对照的有效性。

GenAssets: Generating in-the-wild 3D Assets in Latent Space

GenAssets：在真实世界中生成3D资产的潜在空间

Ze Yang, Jingkang Wang, Haowei Zhang, Sivabalan Manivasagam, Yun Chen, Raquel Urtasun

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

AI总结 本文提出一种基于潜在空间的3D生成模型，利用真实世界LiDAR和相机数据生成高质量3D资产，通过重建-生成方法提升模拟中的多样性和可扩展性。

Comments CVPR 2025. Project page: https://waabi.ai/genassets

The Consensus Trap: Dissecting Subjectivity and the "Ground Truth" Illusion in Data Annotation

共识陷阱：数据标注中主观性与‘真实真相’幻觉的剖析

Sheza Munir, Benjamin Mah, Krisha Kalsi, Shivani Kapania, Julian Posada, Edith Law, Ding Wang, Syed Ishtiaque Ahmed

机构 * University of Toronto Computer Science（多伦多大学计算机科学系） ； University of Toronto Engineering Science（多伦多大学工程科学系） ； Carnegie Mellon University School of Computer Science（卡内基梅隆大学计算机科学学院） ； Yale University American Studies（耶鲁大学美国研究系） ； University of Waterloo Computer Science（滑铁卢大学计算机科学系） ； Google Research（谷歌研究） ； University of Toronto（多伦多大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Yale University（耶鲁大学） ； University of Waterloo（滑铁卢大学） 纠错

AI总结 本文通过分析2020-2025年间七大赛事的346篇论文，揭示数据标注实践中‘共识陷阱’的机制，指出位置可读性失效与模型中介标注导致的锚定偏见，以及地理霸权对西方标准的强制性，呼吁将分歧视为高保真信号以构建文化胜任模型。