Adaptive Evidence Weighting for Audio-Spatiotemporal Fusion
自适应证据加权用于音频-时空融合
机构 * Jackson School of Geosciences, University of Texas at Austin, Austin, TX, USA（德克萨斯大学奥斯汀分校地质科学学院）
AI总结 FINCH通过自适应证据融合框架结合预训练音频分类器与结构化时空预测器，提升生物声学分类的鲁棒性和性能。
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
Conflict-Resolving and Sharpness-Aware Minimization for Generalized Knowledge Editing with Multiple Updates
冲突解决与尖锐性感知最小化：多更新通用知识编辑
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 CoRSA通过冲突解决与尖锐性感知最小化方法，提升多更新知识编辑的泛化能力和稳定性，实现比基线方法更高的性能。
Comments 22 pages, 8 figures. Code link: https://github.com/duykhuongnguyen/CoRSA
When Should Agents Coordinate in Differentiable Sequential Decision Problems?
在可微顺序决策问题中，代理何时应协调？
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究探讨了在可微顺序决策问题中，如何通过分析代理目标的二阶性质来决定何时团队应协调，以提高整体性能。
Comments 15 content pages, 2 pages for references, 4 figures
Simulation-Based Inference via Regression Projection and Batched Discrepancies
基于回归投影和批量不一致性的仿真推理
机构 * University of Texas at Austin（德克萨斯大学） ； Princeton University（普林斯顿大学） ； University of Virginia（弗吉尼亚大学）
AI总结 本文提出了一种基于回归投影和批量不一致性的轻量级仿真推理方法，通过自归一化的伪后验实现参数推断，并探讨了识别集的确定条件。
Comments comments are welcome,
CATNIP: LLM Unlearning via Calibrated and Tokenized Negative Preference Alignment
CATNIP：通过校准和令牌化的负偏好对齐实现LLM去学习
机构 * George Mason University（乔治·马歇尔大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 CATNIP通过校准和令牌化的负偏好对齐方法，实现有效LLM去学习，无需保留数据或对比对，提升知识遗忘与保留的平衡。
Hierarchical Entity-centric Reinforcement Learning with Factored Subgoal Diffusion
分层实体导向强化学习与分因子子目标扩散
机构 * Brown University（布朗大学） ； UT Austin（得克萨斯大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Technion（技术学院）
AI总结 本文提出分层实体导向强化学习方法，通过分因子子目标生成模型提升多实体领域中长周期任务的性能。
Comments ICLR 2026
