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

SymPlex: A Structure-Aware Transformer for Symbolic PDE Solving

SymPlex：一种结构感知的Transformer用于符号偏微分方程求解

Yesom Park, Annie C. Lu, Shao-Ching Huang, Qiyang Hu, Y. Sungtaek Ju, Stanley Osher

机构 * Department of Mathematics, University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校数学系） ； Mechanical and Aerospace Engineering, University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校机械与航空航天工程系） ； Office of Advanced Research Computing (OARC), University of California, Los Angeles, Los Angeles, CA, USA（加州大学洛杉矶分校高级计算研究办公室） 纠错

AI总结 SymPlex通过结构感知的Transformer在符号表达式空间中求解PDE，实现可解释的解析解。

Comments 27 pages

Data-Driven Graph Filters via Adaptive Spectral Shaping

通过自适应频谱塑造实现数据驱动的图滤波器

Dylan Sandfelder, Mihai Cucuringu, Xiaowen Dong

机构 * University of Oxford, Department of Engineering Science（牛津大学工程科学系） ； University of California, Los Angeles, Department of Mathematics（加州大学洛杉矶分校数学系） 纠错

AI总结 本文提出自适应频谱塑造方法，通过学习基频谱核和调整参数实现高效图滤波，支持跨图迁移和可解释性。

What Makes a Good Example? Modeling Exemplar Selection with Neural Network Representations

什么使一个好的例子？用神经网络表示进行实例选择建模

Fanxiao Wani Qiu, Oscar Leong, Alexander LaTourrette

机构 * Department of Psychology, University of Southern California（心理学系，南加州大学） ； Department of Statistics and Data Science, University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校） 纠错

AI总结 本文通过神经网络表示和原则性子集选择标准建模人类实例选择，发现联合代表性与多样性结合的策略最能反映人类判断，且转换器表示比卷积网络更符合人类行为。

Feature, Alignment, and Supervision in Category Learning: A Comparative Approach with Children and Neural Networks

特征、对齐与监督在类别学习中的作用：基于儿童与神经网络的比较方法

Fanxiao Wani Qiu, Oscar Leong

机构 * Department of Psychology, University of Southern California（南加州大学心理学系） ； Department of Statistics and Data Science, University of California, Los Angeles（加州大学洛杉矶分校统计与数据科学系） 纠错

AI总结 本文通过比较儿童与神经网络在少量半监督类别学习任务中的表现，揭示了监督、特征结构和对齐在学习过程中的相互作用。

Training-Free Self-Correction for Multimodal Masked Diffusion Models

无需训练的多模态掩码扩散模型自校正

Yidong Ouyang, Panwen Hu, Zhengyan Wan, Zhe Wang, Liyan Xie, Dmitriy Bespalov, Ying Nian Wu, Guang Cheng, Hongyuan Zha, Qiang Sun

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学） ； East China Normal University（华东师范大学） ； University of Virginia（弗吉尼亚大学） ； University of Minnesota（明尼苏达大学） ； Drexel university（德雷塞尔大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出无需训练的多模态掩码扩散模型自校正方法，通过减少采样步骤提升生成质量，适用于文本到图像和多模态理解任务。

To Defend Against Cyber Attacks, We Must Teach AI Agents to Hack

为抵御网络攻击，我们必须教AI代理黑客

Terry Yue Zhuo, Yangruibo Ding, Wenbo Guo, Ruijie Meng

机构 * Monash University（墨尔本大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文主张AI代理驱动的网络攻击不可避免，需转变防御策略，提出构建全面基准、发展训练代理发现漏洞及实施治理限制进攻性AI能力，以负责任地掌握进攻性AI能力作为防御基础设施。