University of California, Los Angeles（加州大学洛杉矶分校）

AMSchem: Automated Schematic Visualization of AMS Circuits via Verifiable Agentic Generation

AMSchem：通过可验证智能体生成实现AMS电路的自动化原理图可视化

Yichen Shi, Zhiyuan Wang, Jianing Cui, Yao Lai, Jinting Zhang, Zhuofu Tao, Hongyang Wang, Zhiping Yu, Ting Jung Lin, Lei He

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东方理工大学） ； University of Washington（华盛顿大学） ； University of St Andrews（圣安德鲁斯大学） ； University of Cambridge（剑桥大学） ； Tianjin University（天津大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； School of Computer Science and Technology, Shijiazhuang Tiedao University（石家庄铁道大学计算机科学与技术学院） ； Tsinghua University（清华大学） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology（东方理工大学宁波数字孪生研究院） 纠错

AI总结 本研究针对AMS电路网表转原理图的难题，提出无需训练的可验证智能体框架AMSchem，结合gpt-5.5在基准测试中达85%有效性，集成后解决AnalogCoder的全部13个失败案例，提升LLM模拟设计成功率。

Learning to Act with World Models by Valuing What Comes Next

通过评估后续状态的世界模型学习决策

Chenghao Gao, Zhi Zhang, Dian Jin, Yihe Pan, Doudou Zhou

机构 * National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 该研究提出WM-PPO方法，结合世界模型与PPO，在ALFWorld和ScienceWorld任务上显著提升了PPO的决策成功率。

Comments 64 pages, 19 figures

When Should Diffusion Language Models Reconsider Their Commitments?

扩散语言模型应在何时重新考虑其承诺？

Haoyang Zheng, Yidong Ouyang, Blake Jianhang Chen, Tian Tan, Ziqian Lin, Liqian Peng, Alec Go, Guang Lin

机构 * Google（谷歌） ； Purdue University（普渡大学） ； UCLA（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本研究针对掩码扩散模型（MDMs）并行采样预测不一致的问题，提出PURL框架，可在匹配掩码预算下提升准确率、减少解码轮次，揭示了可修正解码的相关原则。

In Search of Lost Time: Temporal Competence in Large Language Models

寻找逝去的时间：大语言模型的时间能力

Ryan Liu, David Lee, Icey Siyi Ai, Marwa Abdulhai, Rachit Dubey, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） 纠错

AI总结 本文通过四项评估发现，大语言模型虽知晓时间规则，但难以预测时长、低估自身完成时间，部分模型会忽略时间成本，揭示了其在时间感知上的新挑战。

CPNav: Calibrated Vision-Language Navigation for Object-Goal Search in Unseen Environments

CPNav：面向未见环境中目标物体搜索的校准型视觉语言导航

Qizhao Chen, Yuanhong Zeng, Shoh Nishino, Anushri Dixit

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 针对未见环境中机器人目标物体搜索的导航挑战，提出CPNav框架，结合碰撞感知规划与共形预测校准VLM动作评分，在仿真和真实机器人上均实现SR、SPL的显著提升。

Policy Over Purpose: Auditing LLM Content Moderation of Reclaimed Slur Usage

政策优先于目标：对大型语言模型针对被收回 slur 使用情况的内容审核审计

Christina Chance, Kai-Wei Chang

机构 * University of California Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 该研究审计了8个内容审核系统，发现其处理被收回 slur 的表现与是否专为审核构建无关，仅政策以提示呈现的系统可被引导，且黑人社区相关被收回语言的审核表现最差。

Transit-Oriented Land Use Planning Using Deep Reinforcement Learning

基于深度强化学习的公交导向型土地利用规划

Bo Yang, Yuebing Liang, Zhan Zhao, Fangyi Ding, Yunhan Zheng, Shenhao Wang, Jinhua Zhao

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Tsinghua University（清华大学） ； The University of Hong Kong（香港大学） ； Peking University（北京大学） ； University of Florida（佛罗里达大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 该研究提出深度强化学习框架DRL4TOD，用于优化公交站点周边土地利用类型与容积率，联合多目标优化，在上海站点区域测试中优于传统方法，可作为TOD规划的决策支持工具。

Comments 44 pages, 15 figures, 8 tables

Improving Analytic Constants via Interpretable AI-Guided Lean Proof Refinement

通过可解释人工智能引导的Lean证明细化改进解析常数

Rahul Saha, Alan Li, Anton Xue, Swarat Chaudhuri, Adam Klivans, Pravesh K. Kothari, Raghu Meka

机构 * UT Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） ； UCLA（加利福尼亚大学洛杉矶分校） 纠错

AI总结 针对AI数学发现中证明难理解验证的问题，提出可解释AI引导的Lean证明细化框架，通过部分形式化Lean蓝图迭代优化，改进了格罗滕迪克常数和科伦布勒常数的界，提升了可解释性与数值精度。

IMPULSE: Push First, Then Predict in V-JEPA 2 Feature Space

IMPULSE：在V-JEPA 2特征空间中先推动再预测

Tingan Jin, Chung-Hsien Chou

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 IMPULSE为V-JEPA 2特征空间的预测器加入贝叶斯接触记忆等模块，在多组物体实验中显著降低特征预测误差，提升了潜在世界模型的物理感知能力。

Comments 8 pages, 6 figures, 3 tables. Adds a larger-predictor check and a push-count analysis, corrects several statements, and adds a co-author

Imaging the topological sign of a Dirac mass with spin-polarized tunneling

利用自旋极化隧穿成像狄拉克质量的拓扑符号

Payman Kazemikhah, Ruolun Zhang, Byunghoon Kim, Xiangyu Luo, Zachary Ducorsky, Yu-Peng Zhu, Md. Shafayat Hossain, M. Zahid Hasan

机构 * Princeton University（普林斯顿大学） ； University of California Los Angeles (UCLA)（加州大学洛杉矶分校） 纠错

AI总结 该研究利用自旋极化隧穿，结合晶体旋转对称性，实现了狄拉克质量拓扑符号的局域成像，为材料内部拓扑性质变化的成像提供了新途径。

What Can Analogy Tell Us About Artificial Consciousness?

类比能告诉我们关于人工意识的什么？

Keith J. Holyoak, Martin M. Monti

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出一个因果框架来评估关于人工意识的证据类比，区分产生意识的因素相似性与行为效应相似性，并指出行为相似性对AI意识仅提供有限证据。

Comments 11 pages, 1 figure, 1 box

Quantitative QSD convergence in 1-Wasserstein distance via the Föllmer drift

通过Föllmer漂移的1-Wasserstein距离中的定量QSD收敛

Joaquín Fontbona, Pablo López-Rivera

机构 * Centro de Modelamiento Matemático, Universidad de Chile（智利大学数学建模中心） ； IRL 2807 - CNRS（法国国家科学研究中心第2807国际研究实验室） ； Department of Mathematics, UCLA（加州大学洛杉矶分校数学系） 纠错

AI总结 本文通过Föllmer漂移方法，在1-Wasserstein距离下证明了被杀死扩散过程条件分布向拟平稳分布的指数快速收敛，并刻画了漂移变化与收缩性质。

Choosing the Dictionary and Penalty for IV-LASSO

选择IV-LASSO的字典与惩罚

Yukun Ma, Manu Navjeevan, Bogdan Salahub

机构 * University of Rochester（罗切斯特大学） ； Texas A&M University（德克萨斯农工大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 本文推导IV-LASSO估计量的近似均方误差，揭示偏差-方差权衡，提出基于AMSE的惩罚选择方法，在模拟中比交叉验证降低最多三分之一均方误差。

Comments 84 pages, 2 figures; revised exposition and simulations; includes full proofs, a formal treatment of included controls, and a supplemental appendix on non-Gaussian errors

The Imperfective Paradox Is Not Necessarily in Large Language Models: A Benchmark Failure Before a Model Failure

进行体悖论不一定存在于大型语言模型中：模型失效前的基准失效

Kaiqiao Han, Katarzyna Pruś, Mark Steedman, Yizhou Sun

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

AI总结 该研究发现进行体悖论相关的基准失效，构建词汇匹配最小对并评估多步推理，揭示模型的充分性偏差等失效模式，表明部分大模型体分类性能可媲美人类标注者。

A Sulfur-Rich Atmosphere for the Young Jupiter Analog AF Lep b Reveals Significant Solid Accretion

年轻木星类星体AF Lep b的富硫大气揭示其发生了显著的固体吸积

Jerry W. Xuan, William O. Balmer, Yayaati Chachan, Jean-Baptiste Ruffio, Kazumasa Ohno, Robert J. De Rosa, Aneesh Baburaj, Eric L. Nielsen, Ruth Murray-Clay, Jonathan J. Fortney, Marshall D. Perrin, Jason J. Wang, Brendan P. Bowler, Alexander Madurowicz, Bruce A. Macintosh, Yapeng Zhang, Björn Benneke, Alexis Bidot, Geoffrey A. Blake, Kyle Franson, Carrie He, Julie Inglis, Heather A. Knutson, Dimitri Mawet, Laurent Pueyo, Emily Rickman, Aniket Sanghi, Nicole L. Wallack

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Northwestern University（西北大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, San Diego（加州大学圣迭戈分校） ； National Astronomical Observatory of Japan（日本国立天文台） ； European Southern Observatory（欧洲南方天文台） ； New Mexico State University（新墨西哥州立大学） 纠错

AI总结 本研究通过多台望远镜观测年轻木星类星体AF Lep b的大气，发现其富硫特性及56±7倍地球质量的固体吸积量，表明气态巨行星金属吸积过程与轨道距离、行星质量关联较弱。

Comments Published in AJ. The NIRSpec spectrum is available in Zenodo at this https URL (https://zenodo.org/records/24048137)

Debiased Machine Learning for Partially Linear Accelerated Failure Time Models

部分线性加速失效时间模型的去偏机器学习方法

Tomoki Okuno, Sijie Zheng, Brendon Chau, Gang Li, Jin J. Zhou, Hua Zhou

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Phoenix VA Health Care System (111E)（凤凰城退伍军人健康护理系统(111E)） ； VA Greater Los Angeles Health Care（大洛杉矶地区退伍军人健康护理系统） 纠错

AI总结 针对右删失下部分线性AFT模型，本文构建首个基于秩的去偏机器学习框架，通过正交化U统计量等技术实现有效推断，模拟与All of Us数据应用验证了其性能与实用性。

Comments 76 pages, 3 figures, including supplementary material

Demystifying Numerical Instability in LLM Inference: Achieving Reproducible Inference for Mission-Critical Tasks with HEAL

揭秘LLM推理中的数值不稳定性：使用HEAL实现关键任务的可复现推理

Zhenting Zhu, Lucas Thai, Shan Yu, Yicheng Liu, Yifan Qiao, Chenxi Wang, Harry Xu, Junyi Shu

机构 * UCLA（加州大学洛杉矶分校） ； UC Berkeley（加州大学伯克利分校） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

AI总结 针对LLM在关键任务中因16位精度导致输出不一致的问题，提出HEAL方法，通过INT16量化和代数误差补偿，在保持FP32精度的同时减少性能开销。

Measure the Deployment, Not Just the Model: Rethinking Hardware-Aware Model Selection for Microcontrollers

CREST：面向嵌入式传感系统的部署真实硬件在环神经网络架构搜索

Joseph Q. Zales, Pragya Sharma, Mani Srivastava

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 提出CREST框架，通过硬件在环测量联合优化模型架构、目标平台、运行时调度和部署策略，在惯性里程计和音频分类任务上相比FLOPs选择降低中位推理能耗41.7%。

Comments 23 pages, 11 figures, 14 tables, including appendices

List Recovery for Random Low-Rate Linear Codes

随机低速率线性码的列表恢复

Isaac M Hair, Amit Sahai

机构 * UCSB（加州大学圣塔芭芭拉分校） ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 针对足够大素域上的随机低速率线性码，证明了其同时对所有输入列表大小具有列表恢复能力，并给出了近乎最优的下界。

Token Inflation: How Dishonest Providers Can Overcharge for Large Language Model Usage

Token通胀：不诚实的提供商如何对大型语言模型使用超额收费

Shahinul Hoque, Jinghuai Zhang, Jinyuan Sun, Fnu Suya

机构 * University of Tennessee, Knoxville（田纳西大学，基洛纳分校） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 研究揭示了基于每token计费的大型语言模型商业服务中，提供商利用审计信任悖论系统性地虚报token数量，导致用户费用大幅增加的问题。

Eccentric Stellar-mass Binary Black Holes: Population, Detectability, and Waveform Analysis in the LISA and LIGO Era

偏心恒星质量双黑洞：LISA和LIGO时代的种群、可探测性和波形分析

Zeyuan Xuan, Smadar Naoz, Kyle Kremer, Michael L. Katz, Bence Kocsis, Erez Michaely

机构 * UCLA（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； NASA Marshall Space Flight Center（美国国家航空航天局马歇尔太空飞行中心） ； Rudolf Peierls Centre for Theoretical Physics（鲁道夫·皮尔斯理论物理中心） 纠错

AI总结 本文通过模拟本地宇宙中动力学形成的恒星质量偏心双黑洞种群，预测其在LISA和LVK波段的探测率，并分析波形收敛性及对全局拟合的影响。

Comments 28 pages, 14 figures. Accepted by PRD

PPG2ECG: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation

PG-LRF：基于生理的潜在修正流用于电-血流PPG到ECG生成

Xiaoda Wang, Minxiao Wang, Kaiqiao Han, Defu Cao, Ching Chang, Yidan Shi, Runze Yan, Xiao Luo, Yan Liu, Xiao Hu, Yizhou Sun, Wei Wang, Carl Yang

机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Nell Hodgson Woodruff School of Nursing, Emory University（埃默里大学Nell Hodgson Woodruff护理学院） ； Department of Computer Science, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Statistics, University of Wisconsin–Madison（威斯康星大学麦迪逊分校统计系） 纠错

AI总结 本文提出PG-LRF框架，通过结合电-血流模拟器和生理感知自编码器，生成符合生理学的ECG信号，提升PPG到ECG的生成质量及心血管疾病分类性能。

Comments Accepted to NeurIPS 2026

Fast Rates for Offline Contextual Bandits with Forward-KL Regularization under Single-Policy Concentrability

在线上下文老虎机中基于前向KL正则化的快速收敛率

Qingyue Zhao, Kaixuan Ji, Heyang Zhao, Quanquan Gu

机构 * Department of Computer Science, University of California, Los Angeles, CA 90095, USA（加州大学洛杉矶分校计算机科学系） 纠错

AI总结 本文研究了在线上下文老虎机中前向KL正则化下的快速收敛率问题，通过简化分析提出首个$\tilde{O}(ε^{-1})$上界，统一了表格和一般函数逼近设置，并展示了下界证明了上界的统计紧性。

Comments 36 pages, camera-ready version, fixed a compilation issue

Do Joint Audio-Video Generation Models Understand Physics?

联合音视频生成模型是否理解物理？

Zijun Cui, Xiulong Liu, Hao Fang, Mingwei Xu, Jiageng Liu, Zexin Xu, Weiguo Pian, Shijian Deng, Feiyu Du, Chenming Ge, Yapeng Tian

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 针对联合音视频生成模型，提出AV-Phys Bench基准测试其物理常识，发现所有模型在物理一致性上表现不足，尤其是事件驱动和环境驱动转换场景。

Comments Dataset: this https URL (https://huggingface.co/datasets/ZijunCui/AV-Phys-Bench) Code: this https URL (https://github.com/ZijunCui02/AV-Phys) Homepage: this https URL (https://zijuncui.com/AV-Phys/) Full abstract appears in the PDF

Expanding Codes with Polynomial Stretch

基于高破坏约束满足问题的公钥加密

Isaac M Hair, Amit Sahai

机构 * UCSB（加州大学圣塔芭芭拉分校） ； UCLA（加州大学洛杉矶分校） 纠错

AI总结 本文基于两个高破坏约束满足问题的不可解性，提出一种具有合理准指数安全性的公钥加密方案，首次利用高破坏CSP并实现远超准多项式的安全级别。

Comments This work subsumes a previous work by the same authors titled "Public Key Encryption from High-Corruption Constraint Satisfaction Problems.'' The abstract is (slightly) abbreviated to fit arXiv's character limit

Ten-Four: An Open-Source Fused Dot Product Unit for Mixed-Precision GPGPU Tensor Cores

Ten-Four：用于混合精度GPGPU张量核心的开源融合点积单元

Nikhil Rout, Blaise Tine

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 提出Ten-Four，一种可配置的混合精度融合点积单元，集成浮点和整数算术流水线，支持多种低精度乘法与高精度累加，在FPGA上实现4周期延迟和130.368 GFLOPS峰值吞吐，相比现有方案速度提升2.7-7.9倍且面积减少40%以上。

Comments 13 pages, 12 figures, 6 tables

MolmoB0T: Large-Scale Simulation Enables Zero-Shot Manipulation

MolmoB0T：大规模模拟实现零样本操控

Abhay Deshpande, Maya Guru, Rose Hendrix, Snehal Jauhri, Ainaz Eftekhar, Rohun Tripathi, Max Argus, Jordi Salvador, Haoquan Fang, Matthew Wallingford, Wilbert Pumacay, Yejin Kim, Quinn Pfeifer, Ying-Chun Lee, Piper Wolters, Omar Rayyan, Mingtong Zhang, Jiafei Duan, Karen Farley, Winson Han, Eli Vanderbilt, Dieter Fox, Ali Farhadi, Georgia Chalvatzaki, Dhruv Shah, Ranjay Krishna

机构 * Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文提出MolmoB0T，通过大规模模拟数据实现零样本操控，展示了在静态和移动操控任务中，无需真实世界微调即可有效迁移的成果。

Statistical Inference for Rates of Change in Spatial Processes over Riemannian Manifolds

关于在黎曼流形上空间过程变化率的统计推断

Didong Li, Aritra Halder, Sudipto Banerjee

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Drexel University（德雷塞尔大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种在黎曼流形上基于模型的推断方法，用于处理空间过程中变化率的统计推断。

SE-Diff: Simulator and Experience Enhanced Diffusion Model for Comprehensive ECG Generation

面向综合心电信号生成的模拟器与经验增强扩散模型

Xiaoda Wang, Kaiqiao Han, Yuhao Xu, Xiao Luo, Yizhou Sun, Wei Wang, Carl Yang

机构 * Emory University（埃默里大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

AI总结 针对现有文本到ECG生成方法缺乏生理机制先验与临床经验知识的问题，提出SE-Diff模型，融合ODE心电模拟器机制先验与LLM检索的临床经验，提升生成信号保真度、语义对齐度及下游分类性能。

Comments Accepted to ICLR 2026

Test-Time Defense Against Adversarial Attacks via Stochastic Resonance of Latent Ensembles

通过潜在集成的随机共振实现针对对抗攻击的测试时防御

Dong Lao, Yuxiang Zhang, Haniyeh Ehsani Oskouie, Yangchao Wu, Alex Wong, Stefano Soatto

机构 * LSU Vision Lab（路易斯安那州立大学视觉实验室） ； UCLA Vision Lab（加州大学洛杉矶分校视觉实验室） ； Yale Vision Lab（耶鲁大学视觉实验室） 纠错

AI总结 本文提出一种无需训练、架构与攻击无关的测试时防御，通过随机共振聚合平移扰动后的对齐潜在特征，在分类、立体匹配和光流任务中显著恢复对抗攻击造成的性能损失。

Comments Accepted by NeurIPS 2026