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

Analysis of Converged 3D Gaussian Splatting Solutions: Density Effects and Prediction Limit

3D高斯光追解的收敛性分析：密度效应与预测限制

Zhendong Wang, Cihan Ruan, Jingchuan Xiao, Chuqing Shi, Wei Jiang, Wei Wang, Wenjie Liu, Nam Ling

机构 * Department of Computer Science and Engineering, Santa Clara University（计算机科学与工程系，圣克拉拉大学） ； Department of Mathematics and Computer Studies, Mary Immaculate College（数学与计算机研究系，玛丽·伊玛纽尔学院） ； Department of Mathematics, University of California, San Diego（数学系，加州大学圣地亚哥分校） ； Futurewei Technologies Inc.（未来韦立技术公司） ； School of Computer Science and Technology, East China Normal University（计算机科学与技术学院，华东师范大学） 纠错

AI总结 本文分析了3D高斯光追解的收敛性，揭示了密度对几何和外观参数的影响，并提出了密度感知策略以提高训练鲁棒性。

SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning

SkillRL: 通过递归技能增强强化学习进化智能体

Peng Xia, Jianwen Chen, Hanyang Wang, Jiaqi Liu, Kaide Zeng, Yu Wang, Siwei Han, Yiyang Zhou, Xujiang Zhao, Haifeng Chen, Zeyu Zheng, Cihang Xie, Huaxiu Yao

机构 * University of Chicago（芝加哥大学） ； University of California San Diego（加州大学圣地亚哥分校） ； NEC Labs America（NEC美国实验室） ； University of California Berkeley（加州大学伯克利分校） ； University of California Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 SkillRL通过递归技能增强强化学习，有效提升智能体在复杂任务中的表现与泛化能力。

LLMs and people both learn to form conventions -- just not with each other

大语言模型和人类都学会形成惯例——但并不是彼此之间

Cameron R. Jones, Agnese Lombardi, Kyle Mahowald, Benjamin K. Bergen

机构 * Department of Psychology, Stony Brook University（心理学系，石溪大学） ； Department of Cognitive Science, University of California San Diego（认知科学系，加州圣地亚哥大学） ； Department of Philology, Literature, and Linguistics, University of Pisa（philology、文学与语言学系，比萨大学） ； Department of Linguistics, University of Texas at Austin（语言学系，德克萨斯大学奥斯汀分校） 纠错

AI总结 研究发现人类和AI在同类型对话中能形成惯例，但人机对话效果较差，表明对话协调需要共同的解释偏见。

Comments 10 pages, 4 figures

A second order regret bound for NormalHedge

NormalHedge的二级遗憾界

Yoav Freund, Nicholas J. A. Harvey, Victor S. Portella, Yabing Qi, Yu-Xiang Wang

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of British Columbia（不列颠哥伦比亚大学） ； University of São Paulo（圣保罗大学） 纠错

AI总结 NormalHedge算法通过连续时间极限和自共轭技术，在满足 $V_T > \log N$ 的条件下，实现了对易于序列的二级 $ε$-量化遗憾界。

NOCTA: Non-Greedy Objective Cost-Tradeoff Acquisition for Longitudinal Data

NOCTA: 非贪婪目标成本折衷获取用于纵向数据

Dzung Dinh, Boqi Chen, Yunni Qu, Marc Niethammer, Junier Oliva

机构 * Department of Computer Science, UNC Chapel Hill（UNC夏洛特山分校计算机科学系） ； Department of Computer Science（计算机科学系） ； Engineering, University of California San Diego（工程系，加州大学圣地亚哥分校） 纠错

AI总结 NOCTA通过非贪婪目标成本折衷获取方法，在纵向数据推理中提升预测准确性并降低获取成本。

Safety Subspaces are Not Linearly Distinct: A Fine-Tuning Case Study

安全子空间并非线性区分：一项微调案例研究

Kaustubh Ponkshe, Shaan Shah, Raghav Singhal, Praneeth Vepakomma

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 本研究通过微调案例发现，安全行为与通用学习组件高度交织，基于子空间的防御策略存在根本限制。

Comments ICLR 2026. Kaustubh Ponkshe, Shaan Shah, and Raghav Singhal contributed equally to this work

Efficient Attention via Pre-Scoring: Prioritizing Informative Keys in Transformers

通过预评分实现高效的注意力机制：在Transformer中优先选择信息量大的键

Zhexiang Li, Haoyu Wang, Yutong Bao, David Woodruff

机构 * Carnegie Mellon University, Pittsburgh, USA ； University of Southern California, Los Angeles, CA, USA ； University of California, San Diego, Department of Mathematics, La Jolla, CA, USA ； University of California, Davis, Applied Mathematics \& Statistics, Davis, CA, USA ； Carnegie Mellon University, Pittsburgh, PA, USA 纠错

AI总结 本文提出预评分方法，通过优先选择信息量大的键提升Transformer在长上下文语言建模和视觉任务中的效率与精度