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

PI-MFM: Physics-informed multimodal foundation model for solving partial differential equations

PI-MFM：基于物理的多模态基础模型用于求解偏微分方程

Min Zhu, Jingmin Sun, Zecheng Zhang, Hayden Schaeffer, Lu Lu

机构 * Department of Statistics and Data Science, Yale University（统计与数据科学系，耶鲁大学） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（应用数学与统计学系，约翰霍普金斯大学） ； Department of Applied Computational Mathematics and Statistics, University of Notre Dame（应用计算数学与统计学系，圣母大学） ； Department of Mathematics, University of California Los Angeles（数学系，加州大学洛杉矶分校） ； Department of Chemical and Environmental Engineering, Yale University（化学与环境工程系，耶鲁大学） 纠错

AI总结 PI-MFM是一种基于物理的多模态基础模型，通过强制执行偏微分方程在预训练和适应过程中，提高求解PDE的效率和鲁棒性。

UniFi: Combining Irregularly Sampled CSI from Diverse Communication Packets and Frequency Bands for Wi-Fi Sensing

UniFi: 结合来自多样化通信数据包和频段的不规则采样CSI用于Wi-Fi感知

Gaofeng Dong, Kang Yang, Mani Srivastava

机构 * ECE, UCLA（电子工程系，加州大学洛杉矶分校） 纠错

AI总结 UniFi通过不规则采样CSI实现无侵入式Wi-Fi感知，结合异构数据包处理与时间感知注意力模型，提升感知精度并保持通信效率。

Comments 14 pages, 10 figures

Zero-Shot Context Generalization in Reinforcement Learning from Few Training Contexts

在少量训练上下文中进行零样本上下文泛化于强化学习

James Chapman, Kedar Karhadkar, Guido Montufar

机构 * Department of Mathematics University of California, Los Angeles（数学系加州大学洛杉矶分校） 纠错

AI总结 本文提出上下文增强的贝尔曼方程（CEBE）和上下文样本增强（CSE）方法，以提升在少量训练上下文中强化学习的泛化能力。

Comments 10 pages, 8 figures, 3 tables, publushed at Neurips 2025