University of Pennsylvania（宾夕法尼亚大学）

Synthetic-Powered Multiple Testing with FDR Control

由合成数据驱动的FDR控制多重检验

Yonghoon Lee, Meshi Bashari, Edgar Dobriban, Yaniv Romano

机构 * Department of Statistics and Data Science, The Wharton School, University of Pennsylvania, USA（统计与数据科学系，沃顿商学院，宾夕法尼亚大学） ； Department of Electrical and Computer Engineering, Technion IIT, Israel（电气工程与计算机科学系，技术学院（IIT），以色列） ； Department of Computer Science, Technion IIT, Israel（计算机科学系，技术学院（IIT），以色列） 纠错

AI总结 SynthBH通过利用合成数据提高多重检验的样本效率和功效，同时在不依赖真实数据有效性的情况下控制FDR。

Strategic Hiring under Algorithmic Monoculture

算法单一性下的战略性招聘

Jackie Baek, Hamsa Bastani, Shihan Chen

机构 * Stern School of Business, New York University（纽约大学斯特恩商学院） ； Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； Graduate Group in Applied Mathematics and Computational Science, University of Pennsylvania（宾夕法尼亚大学应用数学与计算科学研究生小组） 纠错

AI总结 本文研究了在算法单一性劳动力市场中，企业通过共同算法评估竞争导致的拥堵问题，提出均衡策略能显著提升社会福利，需平台揭示拥堵信息以实现最优结果。

Nonplanar Model Predictive Control for Autonomous Vehicles with Recursive Sparse Gaussian Process Dynamics

非平面自主车辆模型预测控制

Ahmad Amine, Kabir Puri, Viet-Anh Le, Rahul Mangharam

机构 * Department of Electrical & Systems Engineering, University of Pennsylvania（电气与系统工程系，宾夕法尼亚大学） 纠错

AI总结 本文提出了一种基于递归稀疏高斯过程的非平面模型预测控制框架，用于提升自主车辆在复杂地形中的路径跟踪性能。

Comments 6 pages, 5 figures. Accepted to IEEE Intelligent Vehicles Symposium (IV), 2026

SIT-LMPC: Safe Information-Theoretic Learning Model Predictive Control for Iterative Tasks

SIT-LMPC：用于迭代任务的安全信息论学习模型预测控制

Zirui Zang, Ahmad Amine, Nick-Marios T. Kokolakis, Truong X. Nghiem, Ugo Rosolia, Rahul Mangharam

机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Central Florida（佛罗里达大学） ； Lyric 纠错

AI总结 SIT-LMPC通过信息论方法和归一化流学习，实现对迭代任务中安全性和性能的平衡优化。

Comments 8 pages, 5 figures. Published in IEEE RA-L, vol. 11, no. 1, Jan. 2026. Presented at ICRA 2026

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 1, pp. 986-993, 2026

Toward Beginner-Friendly LLMs for Language Learning: Controlling Difficulty in Conversation

迈向语言学习的初学者友好型LLM：对话中的难度控制

Meiqing Jin, Liam Dugan, Chris Callison-Burch

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

AI总结 本文提出通过可控生成技术提升初学者与LLM对话的可理解性，实验表明该方法能显著提高输出清晰度，并引入新的评估指标支持语言学习研究。

Comments EACL 2026