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

Multi-context principal component analysis

多情境主成分分析

Kexin Wang, Salil Bhate, João M. Pereira, Joe Kileel, Matylda Figlerowicz, Anna Seigal

机构 * Harvard University（哈佛大学） ； Broad Institute of MIT and Harvard（哈佛-麻省理工Broad研究所） ； University of Georgia（佐治亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 多情境主成分分析（MCPCA）是一种理论和算法框架，用于识别跨不同情境子集共享的变异因素，应用于基因表达和语言模型数据，揭示隐藏的变异轴。

Comments 47 pages, 8 figures. Supplementary tables are provided as downloadable file

Human detectors are surprisingly powerful reward models

人类检测器出人意料地强大

Kumar Ashutosh, XuDong Wang, Xi Yin, Kristen Grauman, Adam Polyak, Ishan Misra, Rohit Girdhar

机构 * Meta ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出 HuDA 模型，通过简单奖励函数提升视频生成中的人体运动质量，胜率高达 73%。

Comments Technical report

Deceptive Sequential Decision-Making via Regularized Policy Optimization

通过正则化策略优化实现欺骗性序列决策

Yerin Kim, Alexander Benvenuti, Bo Chen, Mustafa Karabag, Abhishek Kulkarni, Nathaniel D. Bastian, Ufuk Topcu, Matthew Hale

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； United States Military Academy（美国军事学院） 纠错

AI总结 本文提出三种正则化策略，用于在策略优化中主动欺骗对手关于系统奖励的误解，从而在保持高累积奖励的同时误导对手。

Comments 18 pages, 5 figures