University of Southern California（南加州大学）

Interaction-Grounded Learning for Contextual Markov Decision Processes with Personalized Feedback

基于交互的 contextual Markov 决策过程学习与个性化反馈

Mengxiao Zhang, Yuheng Zhang, Haipeng Luo, Paul Mineiro

机构 * University of Iowa（爱荷华大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Southern California（南加州大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出了一种计算高效的算法，用于在具有个性化反馈的上下文性 Markov 决策过程中实现次线性遗憾保证，通过扩展奖励估计器构造并设计逆间隙加权算法，有效提升了多轮交互中学习个性化目标的能力。

DIAL-SUMMER: A Structured Evaluation Framework of Hierarchical Errors in Dialogue Summaries

DIAL-SUMMER：一种评估对话摘要中分层错误的结构化框架

Sahana Ramnath, Nima Chitsazan, Mingyang Zhou, Chia-Hsuan Lee, Shi-Xiong Zhang, Stephen Rawls, Sambit Sahu, Sangwoo Cho, Xiang Ren, Genta Indra Winata, Akshaj Kumar Veldanda

机构 * University of Southern California（美国南加州大学） ； Capital One 纠错

AI总结 DIAL-SUMMER提出一种结构化框架，用于评估对话摘要中分层错误，通过细粒度错误分类和实证分析揭示摘要生成的挑战。

Paper Copilot: Tracking the Evolution of Peer Review in AI Conferences

Paper Copilot：追踪人工智能会议中同行评审的演变

Jing Yang, Qiyao Wei, Jiaxin Pei

机构 * University of Southern California（南加州大学） ； University of Cambridge（剑桥大学） ； Stanford University（斯坦福大学） 纠错

AI总结 Paper Copilot通过创建同行评审数字档案和开放数据集，分析人工智能会议评审实践的演变，促进同行评审系统的透明和改进。

Comments ICLR 2026. https://papercopilot.com/

Efficient Attention via Pre-Scoring: Prioritizing Informative Keys in Transformers

通过预评分实现高效的注意力机制：在Transformer中优先选择信息量大的键

Zhexiang Li, Haoyu Wang, Yutong Bao, David Woodruff

机构 * Carnegie Mellon University, Pittsburgh, USA ； University of Southern California, Los Angeles, CA, USA ； University of California, San Diego, Department of Mathematics, La Jolla, CA, USA ； University of California, Davis, Applied Mathematics \& Statistics, Davis, CA, USA ； Carnegie Mellon University, Pittsburgh, PA, USA 纠错

AI总结 本文提出预评分方法，通过优先选择信息量大的键提升Transformer在长上下文语言建模和视觉任务中的效率与精度

Online Learning for Uninformed Markov Games: Empirical Nash-Value Regret and Non-Stationarity Adaptation

在线学习无信息马尔可夫游戏：经验纳什价值遗憾与非平稳适应

Junyan Liu, Haipeng Luo, Zihan Zhang, Lillian J. Ratliff

机构 * University of Washington（华盛顿大学） ； University of Southern California（南加州大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

AI总结 本文提出了一种参数无关算法，通过经验纳什价值遗憾度量，在对手非平稳性适应下实现O(min{√K + (CK)^{1/3},√LK})的遗憾界。

Comments 36 pages

Condition Matters in Full-head 3D GANs

条件在全头3D GANs中至关重要

Heyuan Li, Huimin Zhang, Yuda Qiu, Zhengwentai Sun, Keru Zheng, Lingteng Qiu, Peihao Li, Qi Zuo, Ce Chen, Yujian Zheng, Yuming Gu, Zilong Dong, Xiaoguang Han

机构 * SSE, CUHK-Shenzhen（CUHK-Shenzhen 信息学院） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； MBZUAI ； USC（美国南加州大学） ； FNii-Shenzhen（深圳未来网络智能省重点实验室） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence Internship at Tongyi Lab（广东未来网络智能省重点实验室） 纠错

AI总结 本文提出使用视角不变的语义特征作为条件输入，以解决全头3D GANs中视角偏差问题，提升生成质量和一致性。

Comments Accepted by ICLR 2026. Project page: https://lhyfst.github.io/balancehead/