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

Solving PDEs With Deep Neural Nets under General Boundary Conditions

利用通用边界条件求解偏微分方程的深度神经网络

Chenggong Zhang

机构 * Department of Electrical and Computer Engineering, University of California, Los Angeles（电气与计算机工程系，加州大学洛杉矶分校） 纠错

AI总结 本文提出了一种扩展的TENG框架，通过整合自然梯度优化与数值时间推进方案，精确解决狄利克雷边界条件的PDEs问题，并展示了其在热方程中的高精度与高效性。

Comments 7 pages, 2 figures

Learning Tractable Distributions Of Language Model Continuations

学习可 tractable 的语言模型延续分布

Gwen Yidou-Weng, Ian Li, Anji Liu, Oliver Broadrick, Yuchen Cui, Guy Van den Broeck, Benjie Wang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 LTLA通过结合神经网络和隐马尔可夫模型，提高语言模型延续的可 tractable 性，实现更高效的解码和更强的约束控制。

Why Policy Gradient Algorithms Work for Undiscounted Total-Reward MDPs

为何策略梯度算法适用于未折扣总奖励MDP

Jongmin Lee, Ernest K. Ryu

机构 * Seoul National University, Department of Mathematical Sciences（首尔国立大学数学科学系） ； UCLA, Department of Mathematics（加州大学洛杉矶分校数学系） 纠错

AI总结 本文探讨了为何策略梯度算法在未折扣总奖励MDP中有效，通过状态分类和暂态访问度量的分析，解决了γ=1时的收敛问题。

MILR: Improving Multimodal Image Generation via Test-Time Latent Reasoning

MILR：通过测试时潜在推理改进多模态图像生成

Yapeng Mi, Yanpeng Zhao, Hengli Li, Chenxi Li, Huimin Wu, Xiaojian Ma, Song-Chun Zhu, Ying Nian Wu, Qing Li

机构 * University of Science and Technology of China（中国科学技术大学） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 MILR通过测试时潜在推理提升多模态图像生成性能，实现跨模态推理和统一潜在空间优化。

Comments 21 pages,14 figures,9 tables

Learning Probabilities of Causation with Mask-Augmented Data

通过掩码增强数据学习因果概率

Shuai Wang, Yizhou Sun, Judea Pearl, Ang Li

机构 * Florida State University（佛罗里达州立大学） ； University of California Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出Exact-MLP和Mask-MLP模型，通过掩码增强数据学习因果概率，显著提升PNS界估计的准确性。

Comments arXiv admin note: text overlap with arXiv:2502.08858