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

Contact-Anchored Policies: Contact Conditioning Creates Strong Robot Utility Models

接触锚定策略：接触条件创造强大的机器人效用模型

Zichen Jeff Cui, Omar Rayyan, Haritheja Etukuru, Bowen Tan, Zavier Andrianarivo, Zicheng Teng, Yihang Zhou, Krish Mehta, Nicholas Wojno, Kevin Yuanbo Wu, Manan H Anjaria, Ziyuan Wu, Manrong Mao, Guangxun Zhang, Binit Shah, Yejin Kim, Soumith Chintala, Lerrel Pinto, Nur Muhammad Mahi Shafiullah

机构 * New York University（纽约大学） ； 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） ； Hello Robot Inc.（Hello Robot公司） ； Ai2 ； University of Waterloo（滑铁卢大学） 纠错

AI总结 接触锚定策略通过接触条件实现强大的机器人效用模型，仅用23小时演示数据即在三种基本操作技能上实现跨环境泛化，并在零样本评估中超越现有最先进方法56%。

Reasoning With a Star: A Heliophysics Dataset and Benchmark for Agentic Scientific Reasoning

用恒星进行推理：一个用于代理科学推理的太阳物理数据集和基准

Kevin Lee, Russell Spiewak, James Walsh

机构 * Frontier Development Lab（前沿发展实验室） ； Department of Mechanical and Aerospace Engineering, UCLA（机械与航空航天工程系，加州大学洛杉矶分校） ； Trillium Technologies Inc.（Trillium技术公司） ； Department of Engineering, University of Cambridge（工程系，剑桥大学） 纠错

AI总结 本研究提出一个太阳物理数据集和基准，用于评估代理在科学推理中的表现，发现系统工程原则在演绎推理任务中优于直接提示方法。

Comments Accepted at NeurIPS 2025 Machine Learning and the Physical Sciences (ML4PS) Workshop. Dataset: https://huggingface.co/datasets/SpaceML/ReasoningWithAStar

Gradient Descent with Large Step Sizes: Chaos and Fractal Convergence Region

梯度下降与大步长：混沌与分形收敛区域

Shuang Liang, Guido Montúfar

机构 * UCLA（加州大学洛杉矶分校） ； MPI MiS（马克斯·普朗克研究所（MiS）） 纠错

AI总结 研究揭示了大步长梯度下降在矩阵分解中导致混沌行为，临界步长下训练结果不可预测且无传统隐含偏置。

Density-Aware Farthest Point Sampling

密度感知最远点采样

Paolo Climaco, Jochen Garcke

机构 * Institute for Numerical Simulation, University of Bonn, Germany（波恩大学数值模拟研究所） ； Department of Mathematics, University of California, Los Angeles, USA（加州大学洛杉矶分校数学系） ； Fraunhofer SCAI, Sankt Augustin, Germany（弗劳恩霍夫SCAI研究所） ； University of Bonn（波恩大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种基于密度感知的最远点采样方法，通过优化加权填充距离来减少回归模型的预测误差。

Comments 14 pages, 2 figures

Single Index Bandits: Generalized Linear Contextual Bandits with Unknown Reward Functions

单索引老虎机：具有未知奖励函数的广义线性上下文老虎机

Yue Kang, Mingshuo Liu, Bongsoo Yi, Jing Lyu, Zhi Zhang, Doudou Zhou, Yao Li

机构 * Microsoft（微软公司） ； University of California, Davis（加州大学戴维斯分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出单索引老虎机问题，针对未知奖励函数设计STOR和ESTOR算法，实现近最优遗憾界，并在高维稀疏环境下验证算法有效性。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

Solving Optimal Execution Problems via In-Context Operator Networks

通过上下文操作符网络解决最优执行问题

Tingwei Meng, Moritz Voß, Nils Detering, Giulio Farolfi, Stanley Osher, Georg Menz

机构 * University of California Los Angeles（加州大学洛杉矶分校） ； Heinrich Heine University Düsseldorf（杜伊斯堡-埃森大学） 纠错

AI总结 本文提出ICON-OCnet架构，通过上下文学习解决未知价格影响下的最优订单执行问题，结合预训练与少量示例推断，实现高效策略学习。

Comments 27 pages, 11 figures

Understanding Real-World Traffic Safety through RoadSafe365 Benchmark

通过RoadSafe365基准理解现实世界交通安全

Xinyu Liu, Darryl C. Jacob, Yuxin Liu, Xinsong Du, Muchao Ye, Bolei Zhou, Pan He

机构 * Auburn University（阿伯拉罕大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard Medical School（哈佛医学院） ； The University of Iowa（爱荷华大学） 纠错

AI总结 RoadSafe365通过细粒度分析和多模态数据集提升现实交通安全研究的可重复性与有效性。