University of Texas at Austin（得克萨斯大学奥斯汀分校）

SAS: Simulated Attention Score

SAS: 模拟注意力分数

Chuanyang Zheng, Jiankai Sun, Yihang Gao, Yuehao Wang, Peihao Wang, Jing Xiong, Liliang Ren, Hao Cheng, Janardhan Kulkarni, Yelong Shen, Atlas Wang, Mac Schwager, Anderson Schneider, Xiaodong Liu, Jianfeng Gao

机构 * Morgan Stanley（摩根大通） ； Stanford（斯坦福大学） ； Microsoft Research（微软研究院） ； NUS（新加坡国立大学） ； UT Austin（得克萨斯大学奥斯汀分校） ； HKU（香港大学） 纠错

AI总结 SAS通过模拟更多注意力头和特征维度，以低成本提升模型性能，同时保持参数效率。

Comments Tech Report

Strong Duality and Dual Ascent Approach to Continuous-Time Chance-Constrained Stochastic Optimal Control

强对偶性与双上升方法在连续时间机会约束随机最优控制中的应用

Apurva Patil, Alfredo Duarte, Fabrizio Bisetti, Takashi Tanaka

机构 * Walker Department of Mechanical Engineering, University of Texas at Austin（德克萨斯大学奥斯汀分校机械工程系） 纠错

AI总结 本文提出了一种基于强对偶性的方法，用于求解连续时间机会约束随机最优控制问题，通过路径积分方法和梯度上升解决对偶问题，并验证了其在移动机器人导航中的有效性。

Comments arXiv admin note: substantial text overlap with arXiv:2504.17154