University of California, San Diego（加州大学圣迭戈分校）

AirSim360: A Panoramic Simulation Platform within Drone View

AirSim360：无人机视角下的全景模拟平台

Xian Ge, Yuling Pan, Yuhang Zhang, Xiang Li, Weijun Zhang, Dizhe Zhang, Zhaoliang Wan, Xin Lin, Xiangkai Zhang, Juntao Liang, Jason Li, Wenjie Jiang, Bo Du, Ming-Hsuan Yang, Lu Qi

机构 * Insta360 Research（Insta360研究机构） ； Wuhan University（武汉大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Nanyang Technological University（南洋理工大学） ； University of California, Merced（加州大学默塞德分校） ； Shenzhen University（深圳大学） 纠错

AI总结 AirSim360 是一个基于无人机视角的全景模拟平台，通过渲染对齐的数据标注、交互式行人建模和自动轨迹生成，实现全方位场景采样和空间智能研究。

Comments Project Website: https://insta360-research-team.github.io/AirSim360-website/

A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data

一种用于自动驾驶赛车的模拟基准测试平台

Adrian Remonda, Nicklas Hansen, Ayoub Raji, Nicola Musiu, Marko Bertogna, Eduardo Veas, Xiaolong Wang

机构 * UC San Diego（斯克里普斯海洋研究所） ； TU-Graz（格拉茨技术大学） ； Unimore（乌尔比诺大学） ； Know-Center GmbH（Know-Center公司） 纠错

AI总结 本文提出基于Assetto Corsa的赛车模拟平台，用于测试和评估强化学习与模型预测控制算法，结合人类驾驶数据集和离线RL设置，推动自动驾驶赛车技术发展。

Comments Project page and code can be found at: \url{https://assetto-corsa-gym.github.io/}

Journal ref Advances in Neural Information Processing Systems 37 (NeurIPS 2024)

ELR-1000: A Community-Generated Dataset for Endangered Indic Indigenous Languages

ELR-1000：一个社区生成的濒危印度-原住民语言数据集

Neha Joshi, Pamir Gogoi, Aasim Mirza, Aayush Jansari, Aditya Yadavalli, Ayushi Pandey, Arunima Shukla, Deepthi Sudharsan, Kalika Bali, Vivek Seshadri

机构 * Karya ； UC San Diego ； Microsoft Corporation（微软公司） 纠错

AI总结 ELR-1000数据集通过众包方式收集10种濒危印度-原住民语言的传统食谱，评估LLMs翻译表现，发现提供文化背景信息可显著提升翻译质量，推动公平的文化敏感语言技术发展。

Comments Accepted at AACL 2025 (Main)

DeepPersona: A Generative Engine for Scaling Deep Synthetic Personas

DeepPersona: 一个用于扩展深度合成人设的生成引擎

Zhen Wang, Yufan Zhou, Zhongyan Luo, Lyumanshan Ye, Adam Wood, Man Yao, Saab Mansour, Luoshang Pan

机构 * UCSD（加州大学圣地亚哥分校） ； KU Leuven（鲁汶大学） ； SJTU（上海交通大学） ； University of Michigan（密歇根大学） ； Denison University（德尼森大学） ； Amazon（亚马逊） ； Meta 纠错

AI总结 DeepPersona通过双阶段分类学引导方法生成深度合成人设，提升LLM个性化和人类模拟的准确性与多样性。

Comments add an author[Update], 12 pages, 5 figures, accepted at LAW 2025 Workshop (NeurIPS 2025) Project page: https://deeppersona-ai.github.io/

Journal ref LAW 2025 Workshop, NeurIPS 2025

TRiCo: Triadic Game-Theoretic Co-Training for Robust Semi-Supervised Learning

TRiCo：三元博弈协同训练用于鲁棒半监督学习

Hongyang He, Xinyuan Song, Yangfan He, Zeyu Zhang, Yanshu Li, Haochen You, Lifan Sun, Wenqiao Zhang

机构 * University of Warwick（沃里克大学） ； Emory University（埃默里大学） ； University of Minnesota – Twin Cities（明尼苏达大学双城分校） ； ANU（澳大利亚国立大学） ； Brown University（布朗大学） ； Columbia University（哥伦比亚大学） ； UCSD（加州大学圣地亚哥分校） ； Zhejiang University（浙江大学） 纠错

AI总结 TRiCo通过三元博弈协同训练框架提升半监督学习的鲁棒性和性能，实现更稳健的伪标签选择和决策边界优化。

Comments Accepted by NeurIPS 2025

Interpreting ResNet-based CLIP via Neuron-Attention Decomposition

通过神经-注意力分解解释基于ResNet的CLIP

Edmund Bu, Yossi Gandelsman

机构 * UC San Diego（圣迭戈大学） ； UC Berkeley（伯克利大学） 纠错

AI总结 通过神经-注意力分解解释CLIP-ResNet中的神经元，实现无训练语义分割和分布偏移监控

Comments Accepted at NeurIPS 2025 Workshop on Mechanistic Interpretability. Project page: https://edmundbu.github.io/clip-neur-attn/

Quantifying Cognitive Bias Induction in LLM-Generated Content

量化大语言模型生成内容中的认知偏差诱导

Abeer Alessa, Param Somane, Akshaya Lakshminarasimhan, Julian Skirzynski, Julian McAuley, Jessica Echterhoff

机构 * UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究量化了大语言模型生成内容中的认知偏差，发现其在摘要和事实核查任务中存在框架偏差、幻觉和优先偏差，并提出针对性干预方法以减少对人类决策的影响。

Comments 21 pages (including references and appendix), 3figures. accepted to AACL 2025

Ensuring Force Safety in Vision-Guided Robotic Manipulation via Implicit Tactile Calibration

通过隐式触觉校准确保视觉引导的机器人操作中的力安全

Lai Wei, Jiahua Ma, Yibo Hu, Ruimao Zhang

机构 * Sun Yat-sen University（中山大学） ； UC San Diego（加州大学圣地亚哥分校） ； Zhejiang University（浙江大学） 纠错

AI总结 本文提出SafeDiff框架，通过隐式触觉校准提升机器人操作中的力安全，结合视觉和触觉数据优化状态规划，减少有害力风险。

Comments Website URL: see https://i-am-future.github.io/safediff/

Evidence-Guided Schema Normalization for Temporal Tabular Reasoning

基于证据的模式规范化用于时间表式推理

Ashish Thanga, Vibhu Dixit, Abhilash Shankarampeta, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） ； UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出基于SQL的证据引导模式规范化方法，通过优化模式设计提升时间表式推理的问答精度，实验结果显示在EM指标上提升了16.8%。